시냅스 잡음 억제와 신호‑잡음 비 인코딩을 구현한 단일 스파이킹 뉴런

초록

본 논문은 Spike Time Dependent Plasticity(STDP)를 간소화한 형태로 Synapto‑dendritic Kernel Adapting Neuron(SKAN)에 통합한 새로운 뉴런 모델을 제안한다. 이 모델은 입력 채널별 신호‑잡음 비(SNR)를 실시간으로 추정·가중치 조정함으로써 잡음에 강인한 패턴 학습이 가능하며, 복잡한 연산 없이 디지털 뉴로모픽 하드웨어에 적합하도록 설계되었다. MNIST 손글씨 0(제로) 이미지에 잡음을 섞은 실험을 통해, 모델이 공통 패턴을 학습하면서 동시에 잡음이 많은 채널을 자동으로 억제하는 모습을 확인하였다.

상세 요약

제안된 모델은 기존 SKAN 구조에 STDP 기반의 시냅스 가중치 업데이트 메커니즘을 추가함으로써, 입력 스파이크 스트림의 통계적 특성을 동적으로 반영한다. 핵심 아이디어는 각 시냅스가 자신이 수신한 스파이크의 발생 빈도와 타이밍을 기반으로 ‘신호‑잡음 비’를 추정하고, 이를 가중치에 곱해 입력 전압을 조절하는 것이다. 이를 위해 복잡한 미분 연산이나 로그‑함수 대신, 간단한 카운터와 비교 연산을 사용한다. 시냅스 홈오스테이시스는 가중치가 일정 범위를 초과하면 자동으로 감소시키는 ‘리셋’ 메커니즘으로 구현되어, 과도한 가중치 편향을 방지한다.

학습 과정은 완전 비지도 방식으로, 뉴런은 입력 패턴이 일정 시간 내에 충분히 일관될 때만 스파이크를 발사한다. 이때 STDP는 프리‑포스트 스파이크 간의 시간 차이를 이용해 가중치를 강화하거나 약화시키며, 잡음이 많은 채널은 프리‑포스트 스파이크 간의 시간 차이가 무작위이므로 평균적으로 가중치가 감소한다. 결과적으로 뉴런은 ‘신호가 강한’ 채널에 더 높은 가중치를 할당하고, ‘잡음이 많은’ 채널은 억제한다.

실험에서는 MNIST 데이터셋의 0(제로) 이미지를 선택하고, 각 픽셀에 독립적인 가우시안 잡음을 추가하였다. 잡음 수준을 0 %에서 50 %까지 변화시키면서, 모델이 학습한 가중치 분포와 스파이크 출력률을 분석하였다. 잡음이 낮은 경우, 뉴런은 전형적인 0 형태의 스파이크 패턴을 빠르게 포착했으며, 가중치는 입력 이미지의 가장자리와 핵심 영역에 집중되었다. 반면 잡음이 30 % 이상일 때는, 가중치가 잡음이 적은 채널로 재분배되는 현상이 뚜렷했으며, 전체 스파이크 발사 빈도는 크게 감소했지만 여전히 0 형태를 구분할 수 있었다. 이는 모델이 SNR을 실시간으로 인코딩하고, 잡음에 대한 내성을 자동으로 조절한다는 것을 의미한다.

하드웨어 관점에서, 이 모델은 디지털 뉴로모픽 구현에 최적화되어 있다. 복잡한 연산을 배제하고 카운터 기반의 로직만 사용함으로써, 저전력 FPGA나 ASIC에 직접 매핑이 가능하다. 또한 시냅스 홈오스테이시스가 내장되어 있어, 별도의 외부 보정 회로나 파라미터 튜닝 없이도 장시간 동작 시 안정적인 동작을 유지한다. 이러한 특성은 대규모 뉴로모픽 시스템에서 개별 뉴런이 환경 변화에 적응하면서도 전체 네트워크의 에너지 효율을 높이는 데 기여할 수 있다.

요약하면, 본 연구는 단일 스파이킹 뉴런이 입력 채널별 SNR을 자체적으로 추정·가중치에 반영함으로써, 잡음이 섞인 실세계 데이터에서도 의미 있는 패턴을 학습하고 인식할 수 있음을 입증한다. 이는 생물학적 시냅스 가소성 메커니즘을 간소화하면서도, 실용적인 뉴로모픽 하드웨어 설계에 직접 적용 가능한 새로운 패러다임을 제시한다.