深度分析
脈衝神經網路與EWC+Replay：低耗能持續學習在核電ICS異常偵測的應用
核電廠控制系統需持續低耗能監測以防資安與操作異常。本研究以脈衝神經網路結合delta脈衝編碼與EWC+Replay混合持續學習，採事件驅動稀疏表示保留舊任務同時學新任務。實驗在HAI資料集上展現高F1近零平均遺忘與低延遲，顯示神經形態邊緣監控可行。
持續學習
深度分析
錯誤門控學習：降低持續學習能源與記憶體消耗的生物啟發方法
動物能在不耗盡能量的情況下持續更新內部模型，而傳統人工神經網路在每筆樣本皆進行參數更新。研究提出以分類錯誤為門檻的「錯誤門控學習」，僅在當前或過去的錯誤時才允許突觸調整，更新次數減少 50%~80%。此機制在增量與線上學習情境下，可大幅降低記憶體緩衝需求與能源消耗。
深度分析
LIFE 框架：能源效率與代理式持續學習的高效能 AI 解決方案
隨著 AI 應用推升 HPC 能耗，傳統持續學習功能不足。LIFE 框架以代理式架構結合 orchestrator、Agentic Context Engineering、創新記憶體與資訊格子學習，提升能源效率與即時適應能力。實驗顯示在 Kubernetes 叢集上能即時偵測並緩解微服務延遲尖峰，預示未來 AI 系統將更具永續與彈性。