感知辅助波束预测通过利用视觉、位置信息等补充模态，能够显著降低毫米波（mmWave）系统的波束训练开销。然而，完整的感知‑推理流水线往往能耗较高，因而引入能效更佳的脉冲神经网络（SNN）成为一种可行替代方案。本文设计了多种 SNN 架构，用于处理仅位置信息、仅视觉信息以及多模态融合三类输入，并系统性地与传统人工神经网络（ANN）进行对比。实验结果表明：在仅位置信息的场景下，紧凑的 ANN 始终优于 SNN；而在视觉和多模态感知下，SNN 在相近能耗下实现更高的预测精度，并在相同精度下的能耗可降低至 ANN 的十分之一左右。例如，多模态 SNN 达到 58.08% 的 top‑1 准确率，较能耗相近的最佳 ANN 提升 18.11 个百分点。进一步分析发现，SNN 的精度瓶颈主要来源于层间的二进制通信，而非模型规模本身。整体而言，SNN 展示了在感知辅助波束预测任务中实现能效‑精度平衡的潜力，但其二进制信息流仍是提升精度的关键限制因素。
点评