Analisis Komparatif Efisiensi Energi Dan Akurasi Arsitektur Neuromorphic Dan Von Neumann Pada Inferensi Edge AI
DOI:
https://doi.org/10.52436/1.jpti.2136Kata Kunci:
Deep Neural Networks, Edge AI, Energy Efficiency, Software Simulation, Spike Sparsity, Spiking Neural Networks, Theoretical Energy Model, Von Neumann BottleneckAbstrak
Permasalahan mendasar mengenai hubungan antara akurasi inferensi dan efisiensi energi pada perangkat Edge AI masih belum dijelaskan secara kuantitatif dalam literatur yang ada. Kebaruan penelitian ini terletak pada penggunaan spike sparsity sebagai parameter analitik kuantitatif untuk mengidentifikasi secara eksplisit kondisi ketika arsitektur Neuromorphic memberikan efisiensi energi yang lebih baik dibandingkan arsitektur Von Neumann. Perkembangan pesat perangkat IoT dan komputasi edge mendorong kebutuhan mendesak akan inferensi AI yang sangat hemat energi. Arsitektur Von Neumann yang mendasari perangkat edge menghadapi hambatan struktural: setiap operasi perkalian-akumulasi (MAC) pada jaringan saraf tiruan dalam (DNN) mensyaratkan transfer data berulang antara memori dan prosesor, menghasilkan konsumsi energi yang tidak proporsional terhadap kapasitas perangkat. Jaringan Saraf Spiking (SNN) dengan neuron Leaky Integrate-and-Fire (LIF) menawarkan paradigma komputasi berbasis peristiwa yang secara biologis masuk akal, di mana operasi sinaptik hanya terjadi saat ambang batas potensial membran tercapai. Studi ini menyajikan analisis komparatif komprehensif antara DNN dan SNN menggunakan arsitektur LeNet-5 pada dataset MNIST dan Fashion-MNIST, diimplementasikan sepenuhnya melalui simulasi perangkat lunak berbasis Python, PyTorch, dan snntorch. Efisiensi energi diukur melalui dua pendekatan komplementer: model energi teoretis (4,6 pJ/MAC untuk DNN; 0,9 pJ/SOP untuk SNN) dan pengukuran empiris menggunakan CodeCarbon. Hasil menunjukkan SNN dengan langkah waktu T=16 mencapai akurasi 98,63% pada MNIST dengan estimasi energi 15,55 ?J per inferensi, menghasilkan efisiensi 1,10× dibandingkan DNN (17,11 ?J, akurasi 99,21%). Sparsitas spike rata-rata 71,0% memenuhi ambang efisiensi teoretis, dan analisis Pareto mengonfirmasi T=16 sebagai konfigurasi titik optimal trade-off akurasi–energi. Kontribusi utama penelitian ini meliputi kerangka evaluasi komparatif sumber terbuka yang dapat direplikasi tanpa perangkat keras neuromorfik khusus, serta validasi spike sparsity sebagai parameter kuantitatif untuk menjelaskan hubungan antara akurasi inferensi dan efisiensi energi pada SNN, yang didukung melalui analisis pengaruh langkah waktu dan validasi silang model energi teoretis terhadap benchmark perangkat keras fisik. Secara praktis, temuan ini mengimplikasikan bahwa SNN dengan konfigurasi T=16 layak diadopsi pada perangkat Edge AI berdaya terbatas yang membutuhkan keseimbangan antara akurasi inferensi dan efisiensi energi, tanpa memerlukan perangkat keras neuromorphic khusus.
Unduhan
Referensi
H. Tang, N. Yu, P. Min, R. Guo, and G. Zhang, “In-Sensor-Memory Computing for Post-Von Neumann Intelligence: A Perspective,” Nanomicro Lett., vol. 18, no. 1, Dec. 2026, doi: 10.1007/s40820-026-02191-y.
T. Dalgaty et al., “Mosaic: in-memory computing and routing for small-world spike-based neuromorphic systems,” Nat. Commun., vol. 15, no. 1, Dec. 2024, doi: 10.1038/s41467-023-44365-x.
K. Fu and T. Qin, “Memristors for the Post-Von Neumann Era: Hardware Paradigms, Neuromorphic Perception, and Computing Systems,” May 01, 2026, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/photonics13050431.
H. Wang, B. Sun, S. S. Ge, J. Su, and M. L. Jin, “On non-von Neumann flexible neuromorphic vision sensors,” Dec. 01, 2024, Nature Research. doi: 10.1038/s41528-024-00313-3.
H. Seok, D. Lee, S. Son, H. Choi, G. Kim, and T. Kim, “Beyond von Neumann Architecture: Brain-Inspired Artificial Neuromorphic Devices and Integrated Computing,” Aug. 01, 2024, John Wiley and Sons Inc. doi: 10.1002/aelm.202300839.
A. Javanshir, T. T. Nguyen, M. A. P. Mahmud, and A. Z. Kouzani, “Advancements in Algorithms and Neuromorphic Hardware for Spiking Neural Networks,” Neural Comput., vol. 34, no. 6, pp. 1289–1328, May 2022, doi: 10.1162/neco_a_01499.
P. M. Ferreira, S. Wang, Y. Gao, and A. Benlarbi-Delai, “A comparative review of deep and spiking neural networks for edge AI neuromorphic circuits,” 2025, Frontiers Media SA. doi: 10.3389/fnins.2025.1676570.
T. Y. Liu, A. Mahjoubfar, D. Prusinski, and L. Stevens, “Neuromorphic computing for content-based image retrieval,” PLoS One, vol. 17, no. 4 April 2022, Apr. 2022, doi: 10.1371/journal.pone.0264364.
C. Xiao, J. Chen, and L. Wang, “Optimal Mapping of Spiking Neural Network to Neuromorphic Hardware for Edge-AI,” Sensors, vol. 22, no. 19, Oct. 2022, doi: 10.3390/s22197248.
M. Davies et al., “Advancing Neuromorphic Computing with Loihi: A Survey of Results and Outlook,” Proceedings of the IEEE, vol. 109, no. 5, pp. 911–934, May 2021, doi: 10.1109/JPROC.2021.3067593.
C. D. Schuman, S. R. Kulkarni, M. Parsa, J. P. Mitchell, P. Date, and B. Kay, “Opportunities for neuromorphic computing algorithms and applications,” Jan. 01, 2022, Springer Nature. doi: 10.1038/s43588-021-00184-y.
G. Orchard et al., “Efficient Neuromorphic Signal Processing with Loihi 2,” Nov. 2021, [Online]. Available: http://arxiv.org/abs/2111.03746
D. V. Christensen et al., “2022 roadmap on neuromorphic computing and engineering,” Neuromorphic Computing and Engineering, vol. 2, no. 2, Jun. 2022, doi: 10.1088/2634-4386/ac4a83.
J. K. Eshraghian et al., “Training Spiking Neural Networks Using Lessons from Deep Learning,” Proceedings of the IEEE, vol. 111, no. 9, pp. 1016–1054, Sep. 2023, doi: 10.1109/JPROC.2023.3308088.
H. Yang et al., “Lead federated neuromorphic learning for wireless edge artificial intelligence,” Nat. Commun., vol. 13, no. 1, Dec. 2022, doi: 10.1038/s41467-022-32020-w.
