MẠNG NƠ-RON XUNG TRONG PHÁT HIỆN VẾT NỨT BÊ TÔNG: PHÂN TÍCH ĐỘ CHÍNH XÁC VÀ NĂNG LƯỢNG ƯỚC LƯỢNG TRÊN BỘ DỮ LIỆU METU

Tóm tắt

Phát hiện vết nứt bê tông đóng vai trò quan trọng trong đảm bảo an toàn kết cấu hạ tầng; tuy nhiên các mạng nơ-ron tích chập (Convolutional Neural Network - CNN) đòi hỏi tài nguyên tính toán lớn, hạn chế triển khai trên thiết bị biên. Mạng nơ-ron xung (Spiking Neural Network - SNN) là giải pháp thay thế tiết kiệm năng lượng nhờ cơ chế tính toán theo sự kiện. Nghiên cứu này đánh giá Spiking ResNet-18 trên bộ dữ liệu METU qua sáu cấu hình T Î {2, 4, 6, 8, 10, 16}. Để so sánh công bằng, ba biến thể ResNet-18 CNN (Scratch, Pretrained, Finetune) được huấn luyện trực tiếp trên cùng dữ liệu và giao thức. Phân tích năng lượng được thực hiện trên nhiều nền tảng và so sánh công bằng trên ba chip dùng chung (SpiNNaker2, Akida AKD1000, FPGA Xilinx ZU9) để loại bỏ thiên lệch do công nghệ chế tạo. Kết quả cho thấy Spiking ResNet-18 đạt 99.57% (T=10), cạnh tranh với các mô hình CNN và Transformer hiện đại. Khi so sánh trên cùng một chip, SNN tiêu thụ năng lượng thấp hơn CNN từ 300 đến hơn 1900 lần mà vẫn duy trì độ chính xác tương đương. Kết quả khẳng định tính khả thi của SNN cho các ứng dụng giám sát kết cấu hạ tầng trên nền tảng neuromorphic tiết kiệm năng lượng.