스파이크 신경망의 체계적인 평가를 위한 하이델베르크 스파이크 데이터셋

스파이킹 신경망은 뇌 내에서 다양한 기능과 에너지 효율적인 정보 처리의 기반이 된다. 현재 우리는 이러한 네트워크가 어떻게 계산을 수행하는지에 대한 정밀한 이해를 갖고 있지 않지만, 최근 개발된 최적화 기법을 통해 실시간 시뮬레이션 환경에서 점점 더 복잡한 기능을 수행하는 스파이킹 신경망을 구현할 수 있게 되었다. 이러한 방법들은 비-фон 노이만 구조의 보다 효율적인 컴퓨팅 하드웨어 개발 가능성을 열어주며, 뇌 회로 기능을 해독하는 연구에 새로운 시야를 제공할 것으로 기대된다. 이러한 기법들의 개발을 가속화하기 위해서는 성능을 객관적으로 비교할 수 있는 방법이 필수적이다. 그러나 현재까지는 스파이킹 신경망의 계산 성능을 비교하기 위한 널리 인정된 수단이 존재하지 않는다. 이 문제를 해결하기 위해 우리는 소프트웨어 및 뉴모르픽 하드웨어 구현 모두에 활용 가능한 두 가지 스파이크 기반 분류 데이터셋을 제안한다. 이를 위해 신경생리학적 원리를 영감으로 삼아 일반적인 음성-스파이크 변환 절차를 개발하였으며, 기존의 음성 데이터셋과 새로운 음성 데이터셋에 이 변환 기법을 적용하였다. 후자는 본 연구를 위해 특별히 제작한 무료이며 고해상도, 단어 수준에서 정렬된 하이델베르크 숫자 데이터셋이다. 다양한 전통적 및 스파이킹 분류기로 학습을 수행한 결과, 이 데이터셋 내에서 스파이크 시점 정보를 적절히 활용하는 것이 높은 분류 정확도를 달성하는 데 필수적임을 입증하였다. 본 연구 결과는 향후 스파이킹 신경망 성능 비교를 위한 최초의 기준이 될 것으로 기대된다.