심층 상태공간 모델을 이용한 뉴모포닉 감각 신호의 확장 가능한 이벤트 단위 처리

이벤트 기반 센서는 감각 데이터를 연속적인 시간 차이로 인코딩하고 빠른 반응 시간을 가지므로 실시간 처리에 매우 적합하다. 이러한 특성 외에도 높은 다이내믹 레인지와 같은 유용한 특성들이 존재하지만, 이 데이터가 프레임 기반 형식으로 변환될 경우 이러한 장점들이 억제된다. 그러나 현재 대부분의 방법들은 이벤트를 프레임으로 축소하거나, 이벤트를 하나씩 직접 처리할 때 확장성이 부족한 문제가 있다. 본 연구에서는 이러한 센서가 방출하는 긴 이벤트 스트림에 대해 이벤트 단위로 모델링을 확장하는 핵심적인 도전 과제를 해결한다. 이는 뉴로모픽 컴퓨팅 분야에서 특히 중요한 문제이다. 기존 방법들은 최대 몇 천 개의 시간 단계까지 처리할 수 있지만, 본 연구에서 제안하는 모델은 현대적 순환형 심층 상태 공간 모델 기반으로, 훈련 및 추론 모두에서 수백만 개의 이벤트까지 확장 가능하다. 본 모델은 장거리 의존성 학습을 위한 안정적인 파라미터화, 시퀀스 차원에 따른 병렬 처리 가능성, 비동기적 이벤트를 효과적으로 통합할 수 있는 능력을 활용하여 긴 이벤트 스트림까지 확장할 수 있다. 또한 새로운 이벤트 중심 기법들을 도입하여, 여러 이벤트 스트림 벤치마크에서 최신 기술 대비 경쟁력 있는 성능을 달성하거나 이를 초월한다. 스파이킹 스피치 커맨드(Spiking Speech Commands) 작업에서는 기존 최고 성능 대비 7.7%의 큰 향상을 기록하며 88.4%의 정확도를 달성하였다. DVS128-Gestures 데이터셋에서도 프레임이나 합성곱 신경망(CNN)을 사용하지 않고도 경쟁 가능한 결과를 얻었다. 본 연구는 처음으로 순수하게 순환형 네트워크를 활용한 완전한 이벤트 기반 처리가 여러 이벤트 기반 벤치마크에서 최신 기술 수준의 성능을 달성할 수 있음을 입증하였다.