STSC-SNN: 시공간 시냅스 연결을 통한 시계열 컨볼루션과 어텐션 기반 스파이크 신경망

스파이킹 신경망(Spiking Neural Networks, SNNs)은 생체유사 컴퓨팅 분야의 알고리즘 모델 중 하나로, 시간 정보 처리 능력, 낮은 전력 소비, 높은 생물학적 타당성 등의 특성으로 인해 연구자들의 주목을 받고 있다. 이러한 모델은 시공간 특징을 효율적으로 추출할 수 있다는 잠재력으로 인해 이벤트 스트림 처리에 적합하다. 그러나 기존의 SNN 내 합성결합 구조는 대부분 전결합(full-connection) 또는 공간 2D 컨볼루션 형태를 취하고 있으며, 이는 시간적 의존성을 충분히 추출하지 못하는 한계를 지닌다. 본 연구에서는 생물학적 합성결합의 구조를 영감으로 삼아, 시공간적 합성결합(Spatio-Temporal Synaptic Connection, STSC-SNN)을 갖춘 SNN 모델을 제안한다. 이 모델은 합성결합의 시공간 수용장(Receptive Field)을 강화함으로써 계층 간 시간적 의존성을 구축한다. 구체적으로, 시간 컨볼루션과 어텐션 메커니즘을 도입하여 합성결합의 필터링 및 게이팅 기능을 구현한다. 본 연구에서는 합성결합 모델에 시간적 의존성을 부여함으로써 분류 과제에서 SNN의 성능이 향상됨을 보여준다. 또한, 다양한 시공간 수용장이 성능에 미치는 영향을 조사하고, SNN 내 시간 모듈의 재평가를 수행하였다. 제안된 방법은 DVS128 Gesture(손동작 인식), N-MNIST, CIFAR10-DVS(이미지 분류), SHD(음성 숫자 인식) 등의 생체유사 데이터셋을 대상으로 실험되었으며, 그 결과 제안 모델은 거의 모든 데이터셋에서 최첨단 기술 대비 뛰어난 정확도를 달성하였다.