느린 동역학을 활용한 뉴로모픽 연산

본 석사 논문은 아날로그 뉴로모픽 칩인 Dynap‑se에서 나타나는 ‘시간 스케일 불일치’ 문제를 해결하고, 실시간 신호 처리에 적합한 느린 동역학을 구현하기 위한 두 가지 주요 접근법을 제시한다. 첫 번째는 개별 뉴런의 전류 바이어스, 시냅스 가중치, 시냅스 시간 상수 등 파라미터를 조정하여 뉴런 발화 주기를 늦추는 방법이다. 저자는 기본 파라미터와 튜닝된 파라미터를 비교 실험했으며, 튜닝 후에는 입력 펄스에 대한 스파이크 응답이 5배 이상 오래 지속되어 리저버의 메모리 지속 시간이 크게 증가함을 확인했다. 이는 선형 읽기‑출력 단계에서 입력‑출력 매핑을 위한 충분한 상태 공간을 제공한다는 점에서 핵심적이다. 두 번째 접근은 리저버 토폴로지를 재구성하는 ‘teacher‑student’ 전이 방식이다. 먼저 디지털 시뮬레이션 기반의 고정밀 teacher 리저버를 학습시켜 목표 신호를 생성하고, 그 동적 특성을 온‑칩 student 리저버에 전이한다. 전이 과정에서는 Hebbian‑like 규칙을 이용해 시냅스 가중치를 조정하고, 피드백 연결을 강화해 저주파 진동 모드를 형성한다. 결과적으로, ECG와 같은 저주파 바이오시그널을 실시간으로 감지하는 작업에서 false‑negative 비율이 12 %에서 4 %로 감소하고, 전체 정확도가 87 %에서 94 %로 상승하였다. 실험은 네 가지 베치마크를 통해 검증되었다. (1) Pulse 실험에서는 단일 펄스 입력에 대한 스파이크 응답을 시각화하고, 튜닝 전후의 평균 스파이크 레이트 차이를 정량화하였다. (2) Pulse‑Chirp 실험은 입력 펄스 시퀀스를 연속적인 주파수 변조(chirp) 신호에 매핑하는 회귀 과제로, 튜닝된 리저버는 평균 제곱 오차(MSE)가 0.018에서 0.006으로 3배 가량 감소하였다. (3) Ramp+Sine 실험은 복합 신호를 두 개의 클래스(Ramp+Sine, Sine)로 구분하는 분류 과제로, 튜닝된 리저버는 테스트 정확도가 78 %에서 92 %로 크게 향상되었다. (4) ECG 모니터링 실험에서는 정상 박동과 PVC(조기 심실 수축) 박동을 구분하는 이진 분류를 수행했으며, 튜닝된 파라미터와 토폴로지를 동시에 적용했을 때 F1‑score가 0.81에서 0.93으로 개선되었다. 논문은 실험 재현성을 위해 사용된 파라미터 표(A.1, A.2)를 상세히 제공하고, Dynap‑se 보드의 GUI를 통한 설정 절차와 파라미터 스캔 자동화 파이프라인을 공개한다. 또한, 파라미터 튜닝이 현재는 수작업 기반 휴리스틱에 의존하고 있어 대규모 시스템에 자동 적용하기 어려운 점, 온‑칩 시냅스 가중치가 전역적으로 제한된 4‑bit 정밀도 때문에 복잡한 비선형 매핑에 제약이 있다는 한계를 인정한다. 향후 연구에서는 베이지안 최적화나 강화학습을 통한 파라미터 자동 탐색, 멀티‑칩 협업을 통한 메모리 용량 확대, 그리고 온‑칩 학습 알고리즘을 결합한 실시간 적응형 시스템 구축을 제안한다. 결론적으로, 이 연구는 아날로그 뉴로모픽 하드웨어가 실시간 바이오시그널 처리에 요구되는 저주파 동역학을 갖추도록 하는 실용적인 설계 전략을 제시함으로써, 에너지 효율과 실시간 성능을 동시에 만족시키는 뉴로모픽 시스템 구현에 중요한 이정표를 제공한다.