아날로그 스파이킹 신경망 기반 발소리 인식 및 저전력 구현

초록

본 연구는 무선 센서 네트워크(WSN)에서 보안 감시용 소형·저전력 센서 노드가 실시간으로 인간 발소리를 분류하도록 설계하였다. 시간 영역의 간단한 특징을 추출하고, 인공신경망(ANN)을 스파이킹 신경망(SNN)으로 변환하여 아날로그 서브쓰레시홀드 회로에 구현하였다. 시뮬레이션 결과, 아날로그 SNN은 동일한 디지털 ANN 대비 전력 소모를 크게 줄였으며, 공정 변동에도 강인하였다. 변환 과정에서 약 5%의 정확도 손실이 발생했으나, 다중 모듈冗余와 다수결 투표를 적용해 정확도를 ANN 수준에 가깝게 회복시켰다.

상세 분석

본 논문은 무선 센서 네트워크(WSN) 기반 보안 감시 시스템에서 에너지 효율성을 극대화하기 위한 알고리즘·하드웨어 공동 설계 접근법을 제시한다. 먼저, 발소리와 같은 저주파 음향 신호는 전통적으로 푸리에 변환 등 복잡한 주파수 영역 특징을 사용해 분류했으나, 이는 연산량과 메모리 요구가 크다. 저전력 아날로그 구현을 목표로 저복잡도 시간 영역 특징(예: 에너지, 제로-크로싱, 피크-투-피크 간격)을 선택함으로써 전처리 회로를 간소화하고, 샘플링 레이트를 낮춰 전력 소모를 추가로 감소시켰다.

핵심은 ANN을 SNN으로 변환한 뒤, 서브쓰레시홀드 MOS 트랜지스터 기반 아날로그 회로에 매핑한 점이다. SNN은 스파이크 발생 시점(시간)만을 정보로 사용하므로, 디지털 연산보다 전압-전류 연산으로 구현할 경우 정전용량 충전·방전 에너지만 소모한다. 논문에서는 Leaky‑Integrate‑Fire(LIF) 뉴런 모델을 채택하고, 가중치는 전압 레벨에 대응하도록 설계하였다. 아날로그 회로는 공정 변동(채널 길이, 임계전압 변동 등)에 민감하지만, 스파이크 기반 데이터 처리 자체가 근사적 특성을 가지므로 작은 가중치 오차가 전체 분류 정확도에 미치는 영향이 제한적이다. 시뮬레이션 결과, 0.18 µW 수준의 정적 전력과 0.5 µW 수준의 동적 전력을 보이며, 동일 구조의 디지털 ANN 대비 10배 이상 전력 절감 효과를 확인했다.

하지만 ANN→SNN 변환 과정에서 가중치 양자화와 스파이크 변환 알고리즘의 근사화 때문에 약 5%의 정확도 저하가 발생한다. 이를 보완하기 위해 동일 SNN 모듈을 3~5개 복제하고, 각 모듈의 출력 스파이크를 다수결 투표 방식으로 결합하였다. 다중 모듈冗余는 전력 소모를 약 2배 증가시키지만, 전체 시스템 전력은 여전히 디지털 대비 절감된 수준을 유지한다. 결과적으로, 다수결 적용 후 정확도는 원 ANN 수준(≈92%)에 근접하였다.

이러한 설계는 저전력 아날로그 회로와 스파이킹 기반 알고리즘이 서로 보완적으로 작동함을 보여준다. 특히, 공정 변동에 대한 내성이 높은 점은 아날로그 ASIC 설계에서 큰 장점이며, 향후 센서 노드에 내장형 학습 기능을 추가할 경우에도 유사한 전력 효율성을 기대할 수 있다.