文章背景与核心概要
持久化声学监测为检测机器故障提供了一种强大且非接触的方法。然而，全天候运行的推理往往受到功耗、延迟和部署复杂性等严格限制。本文展示了一种基于自编码器的声学异常检测系统，该系统在清洁和噪声环境下均可在 Intel Loihi 2 神经形态处理器上运行。
研究团队采用了“片外计算 Log-mel 特征，片上执行归一化、自编码器推理、L1 重构评分与阈值判定”的核心工作流。在基准测试中，该系统在清洁基准（ToyADMOS ToyCar）上取得了 0.9959 的 AUC 和 0.9785 的标准化 pAUC；在噪声基准（DCASE 2026 Task 2 ToyCar）上也超越了报道的基线指标。在能效方面，16 芯片的 Loihi 2 VPX 系统实现了每样本 0.0406–0.0426 毫焦耳（mJ）的动态能耗，比标准 CPU 和 GPU 降低了两个数量级。这些发现在工业机器的持久化监测中具有极高的实用价值与能效优势。
Low-Power, Neuromorphic, Acoustic Anomaly Detection for Persistent Machine Monitoring
arXiv: 2608.18341 [cs.NE]
Submitted: August 18, 2026
Authors: Steven C. Nesbit (1), Victor M. Vergara (2), Michael A. Felix (3), Evan T. Kain (4), Luis R. García Carrillo (4), Gerd J. Kunde (5), Andrew T. Sornborger (1)
(1) Los Alamos National Laboratory, (2) AeroVironment Inc., (3) University of New Mexico COSMIAC Research Center, (4) Air Force Research Laboratory, (5) Los Alamos National Laboratory
Abstract Summary
持久声学监测为检测机器故障提供了一种强有力的非接触式方法。然而，常开式（always-on）推理通常受到功耗、延迟和部署复杂性的严苛限制。
Persistent acoustic monitoring provides a powerful, non-contact method for detecting machine faults. However, always-on inference is typically limited by stringent constraints on power, latency, and deployment complexity.
本文展示了一个在 Intel Loihi 2 神经形态处理器上运行的、基于自编码器的声学异常检测系统，该系统同时在干净和噪声条件下进行了验证。
This paper demonstrates an autoencoder-based acoustic anomaly detection system running on an Intel Loihi 2 neuromorphic processor under both clean and noisy conditions.
关键方法与工作流程
- 片外（Off-chip）： 计算 Log-mel 特征。
- 片上（On-chip）： 直接在神经形态硬件上执行归一化、自编码器推理、L1 重构评分和阈值处理。
Key Methodology & Workflow
- Off-chip: Log-mel features are computed.
- On-chip: Normalization, autoencoder inference, L1 reconstruction scoring, and thresholding are executed directly on the neuromorphic hardware.
关键性能指标
- 干净基准测试（ToyADMOS ToyCar）： 实现了 0.9959 的 AUC 和 0.9785 的标准化 pAUC（最大误报率为 0.1）。
- 噪声基准测试（DCASE 2026 Task 2 ToyCar）： 源域 AUC 达到 0.7990，目标域 AUC 达到 0.6466，pAUC 达到 0.6426，成功超越了已报告的基线指标。
- 能效： 在 16 芯片 Loihi 2 VPX 系统上的功耗分析表明，实时吞吐量下的动态能耗为 每样本 0.0406–0.0426 mJ——与标准 CPU 和 GPU 相比，能耗降低了两个数量级。
Key Performance Metrics
- Clean Benchmark (ToyADMOS ToyCar): Achieves 0.9959 AUC and 0.9785 standardized pAUC (at a maximum false-positive rate of 0.1).
- Noisy Benchmark (DCASE 2026 Task 2 ToyCar): Achieves a source AUC of 0.7990, target AUC of 0.6466, and pAUC of 0.6426, successfully exceeding reported baseline metrics.
- Energy Efficiency: Power profiling on a 16-chip Loihi 2 VPX system demonstrates real-time throughput operating at 0.0406–0.0426 mJ dynamic energy per sample—representing an improvement of two orders of magnitude lower energy consumption compared to standard CPUs and GPUs.
这些研究结果表明，神经形态声学异常检测是持续工业机器监测的一种高度实用且节能的解决方案。
These findings position neuromorphic acoustic anomaly detection as a highly practical and energy-efficient solution for persistent industrial machine monitoring.
Article Metadata
文章元数据
Article Metadata
- 学科分类： 神经与进化计算 (
cs.NE)；人工智能 (cs.AI)；前沿技术 (cs.ET)；机器学习 (cs.LG)；声音 (cs.SD)；音频与语音处理 (eess.AS) - 报告编号： LA-UR-26-26527
- 文档详情： 5 页，2 幅图，2 个表格
- Subjects: Neural and Evolutionary Computing (
cs.NE); Artificial Intelligence (cs.AI); Emerging Technologies (cs.ET); Machine Learning (cs.LG); Sound (cs.SD); Audio and Speech Processing (eess.AS)- Report Number: LA-UR-26-26527
- Document Details: 5 pages, 2 figures, 2 tables
Full-Text & Access Links
全文与访问链接
Full-Text & Access Links