도전적인 시간적 작업에 적용 가능한 강건하고 가속화된 단일 스파이크 스파이크 신경망 학습

스파이킹 신경망(Spiking Neural Networks, SNNs) 중에서도 뉴런이 최대 한 번만 스파이크를 발생시키는 단일 스파이크(single-spike) 유형은 기존의 인공 신경망(Artificial Neural Networks, ANNs)에 비해 훨씬 높은 에너지 효율성을 보인다. 그러나 단일 스파이크 SNN은 동적이고 미분 불가능한 성질을 지녀 학습이 매우 어렵고, 기존의 해결 방안들은 either 느리거나 학습의 불안정성 문제를 겪는다. 또한 이들 네트워크는 시계열 데이터셋과 같은 특정 응용 분야에 적합하지 않다는 비판도 받아왔다. 본 연구에서는 이러한 학습 문제를 완화하고 다양한 이미지 및 뉴모포픽(neuromorphic) 데이터셋에서 경쟁력 있는 성능을 달성하는 단일 스파이크 SNN 학습을 위한 새로운 모델을 제안한다. 제안된 모델은 다중 스파이크 SNN 대비 최대 13.98배 빠른 학습 속도와 최대 81% 감소한 스파이크 발생 횟수를 달성하였다. 특히, 뉴모포픽 시계열 데이터셋을 포함한 도전적인 과제에서 다중 스파이크 SNN과 유사한 성능을 보이며, 단일 스파이크 SNN이 이전까지 예상된 것보다 훨씬 광범위한 계산적 역할을 수행할 수 있음을 입증하였다.