混合脉冲神经网络（SNN）与人工神经网络（ANN）结合了 SNN 的能耗优势和 ANN 的检测精度，已成为事件驱动目标检测的主流方案。\ \ 现有的混合 SNN‑ANN 系统采用静态推理，仅依据精度和能耗选取 SNN‑ANN 边界，未考虑推理过程的动态性和系统可靠性。\ \ 本文提出 BLADE，首个面向可靠性的动态边界选择方法，支持 ANN 的提前退出（early exit）机制。\ \ 该框架在可靠性、检测精度、执行时间和能耗四个目标上联合优化 SNN‑ANN 边界位置及 ANN 早退出配置，并在设计空间探索阶段通过层次统计故障注入评估可靠性。\ \ 实验在事件驱动检测器上实现 $\text{mAP}_{0.5}=0.691$，当 ANN 早退出触发时推理计算能耗降至 $15.82\,\text{mJ}$。\ \ 可靠性分析表明，浮点数指数最高位是导致灾难性失效的主要因素，$58.8\%$ 的注入会引起显著或更差的精度下降。对该位加约 $3\%$ 存储开销的保护即可在实际技术故障率下消除所有灾难性失效。\ \ 增加 SNN 计算比例可提升容错能力，完全使用 SNN 时在激进故障条件下可靠性保持率达到 $0.965$。\ \ 综上，联合优化可靠性、精度、时延和能耗，使得动态混合 SNN‑ANN 系统在安全关键的边缘 AI 场景中更加可靠。\ \ 点评