초록
인공 신경망(ANNs)은 최근 인공지능(AI) 분야의 발전 기반이 되었으며, 일반적으로 실수 값을 갖는 뉴런 반응을 사용한다. 반면 생물학적 뉴런은 스파이크 트레인(spiking trains)을 통해 작동한다는 것이 알려져 있다. 이론적으로 스파이크 신경망(SNNs)은 특히 음성과 같은 시계열 데이터 처리에 있어 ANN보다 더 높은 표현 능력을 가질 수 있다. 그러나 안정적인 학습 알고리즘의 부족과 호환 가능한 기준선(baselines)의 부재로 인해 SNN의 보급은 제한되어 왔다. 본 연구에서는 ANN과 SNN의 융합에 관한 기존 문헌을 광범위하게 검토한 후, 보조 기울기(surrogate gradient) 접근법에 초점을 맞춰 최근 음성 명령(task)에 기반한 간단하면서도 실용적인 평가 기준을 제시한다. 다양한 아키텍처를 대표적으로 평가한 결과, 적응(adaptation), 순환(recurrence), 그리고 보조 기울기의 조합을 통해 기존 ANN 솔루션과 경쟁할 수 있는 경량의 스파이크 신경망 아키텍처를 설계할 수 있음을 보였다. 또한 이러한 SNN은 현대 딥러닝 프레임워크와 높은 호환성을 유지함으로써 실용적 적용 가능성을 높였다. 결론적으로, SNN은 향후 AI 연구, 특히 음성 처리 분야에서 중요한 연구 대상이 될 수 있음을 구체적으로 입증하였으며, 더 나아가 생물학적 기능에 대한 추론을 돕는 데에도 기여할 가능성이 있다는 보다 추측적인 시사점을 제시한다.