전방향 스파이크 신경망에서 적응형 축삭 지연을 통한 정확한 음성 단어 인식

스파이킹 신경망(Spiking Neural Networks, SNN)은 정확하고 효율적인 자동 음성 인식 시스템 구축을 위한 유망한 연구 방향으로 주목받고 있다. 최근 음성에서 스파이크로의 인코딩 기술과 학습 알고리즘의 발전으로 인해 SNN이 실용적 과제에 적용될 수 있게 되었다. 생물학적으로 영감을 받은 SNN은 희소하고 비동기적인 이벤트를 통해 정보를 전달한다. 따라서 스파이크의 시제(timing)는 SNN 성능에 핵심적인 역할을 한다. 이 측면에서 기존 연구 대부분은 시냅스 가중치의 학습에 초점을 맞추었으며, 이벤트 전달 지연 즉, 축삭 지연(axonal delay)에 대한 고려는 거의 이루어지지 않았다. 본 연구에서는 각 네트워크 계층의 축삭 지연 분포에 따라 적응 가능한 최대값으로 제한된 학습 가능한 축삭 지연을 고려한다. 제안한 방법은 SHD 데이터셋(92.45%)과 NTIDIGITS 데이터셋(95.09%)에서 보고된 최고의 분류 성능을 달성함을 입증하였다. 본 연구는 복잡한 시계열 구조를 가진 과제에 대해 축삭 지연을 학습하는 것의 잠재력을 보여준다.