MAP-SNN: 다중성, 적응성 및 유연성을 생물학적으로 타당한 스파이크 신경망에 매핑하기

스파이크 신경망(Spiking Neural Network, SNN)은 인간 뇌의 기본 메커니즘을 모방함에 따라 생물학적으로 더 현실적이고 전력 효율적인 것으로 평가받고 있다. 최근, 딥러닝 프레임워크를 활용한 백프로파게이션(Backpropagation, BP) 기반의 SNN 학습 알고리즘이 우수한 성능을 달성하고 있다. 그러나 이러한 BP 기반 알고리즘들은 생물학적 해석 가능성(Bio-interpretability)을 부분적으로 간과하고 있다. 생물학적으로 타당한 BP 기반 SNN 구현을 위해, 우리는 스파이크 활동을 모델링할 때 세 가지 핵심 특성—다양성(Multiplicity), 적응성(Adaptability), 유연성(Plasticity)—을 고려한다. 다양성 측면에서, 이산적인 시간 반복 과정에서 모델의 강건성을 강화하기 위해 다중 스파이크 전파(Multiple-Spike Pattern, MSP)를 제안한다. 적응성 측면에서, MSP 하에서 스파이크 주파수 적응(Spike Frequency Adaption, SFA)을 도입하여 스파이크 활동을 감소시킴으로써 효율성을 향상시킨다. 유연성 측면에서는, 스파이크 반응 전류를 모델링하는 학습 가능한 컨볼루션 시냅스를 제안함으로써, 시간적 특징 추출을 위한 스파이크 신경망의 다양성을 증대시킨다. 제안된 SNN 모델은 뉴모포르픽 데이터셋인 N-MNIST와 SHD에서 경쟁력 있는 성능을 달성하였다. 추가적으로, 실험 결과는 제안된 세 가지 측면이 반복적 강건성, 스파이크 효율성, 그리고 시간적 특징 추출 능력에 있어 중요한 역할을 함을 입증한다. 종합적으로, 본 연구는 MAP(Multiplicity, Adaptability, Plasticity) 기반의 생물학적 영감을 받은 스파이크 활동을 위한 실현 가능한 설계를 제시하며, 생물학적 특성을 스파이크 신경망에 통합하는 데 있어 새로운 뉴모포르픽 관점을 제시한다.