뉴로모스: 뇌 모방 컴퓨팅의 핵심, 시간 패턴 도전장

초록

뉴로모픽 컴퓨팅의 진정한 강점인 시간적 정보 처리를 평가할 수 있는 새로운 벤치마크 데이터셋 ‘NeuroMorse’가 제안되었습니다. 모스 부호의 점과 선을 스파이크 신호로 변환해 단 2개의 입력 채널로 복잡한 시간적 계층 구조를 인코딩한 이 데이터셋은, 기존의 공간적 특징 위주 벤치마크가 놓쳤던 시간적 동역학 평가를 가능하게 합니다.

상세 분석

본 논문이 제안하는 NeuroMorse 데이터셋의 핵심 기술적 가치는 뉴로모픽 시스템 평가의 패러다임 전환에 있습니다. 기존 벤치마크 대부분이 정적 이미지를 스파이크 열로 변환하거나, 이벤트 기반 데이터셋이라도 시간 정보를 빈(Binning)하여 제거해도 성능 저하가 미미한 ‘의사(Pseudo) 시간적’ 문제에 머물렀습니다. 이에 저자들은 정보의 본질이 시간 패턴 그 자체에 있는 데이터를 설계함으로써, 뉴로모픽 알고리즘이 진정으로 풀어야 할 과제를 제시합니다.

데이터셋의 설계는 간결하면서도 교묘합니다. 영어의 상위 50개 단어를 모스 부호로 매핑하고, 점(·)과 선(-)을 각각 전용 스파이크 채널로 할당합니다. 여기서 복잡성이 발생하는 것은 채널 수(공간적 복잡성)가 아닌, 점/선 사이(Δt1), 문자 사이(Δt2), 단어 사이(Δt3)에 설정된 서로 다른 시간 간격으로 인한 ‘시간적 계층 구조’ 때문입니다. 이는 인간 언어가 음소, 음절, 단어, 문장으로 계층화되어 있듯, 스파이크 열 내에 중첩된 패턴의 계층을 형성합니다. 실험 결과, 단순한 LIF 뉴런 기반 선형 분류기가 4%의 정확도(무작위 대비 2배)에 그친 것은 이 데이터셋이 단순한 패턴 매칭이 아닌, 장기 의존성을 가진 시간적 구조 학습을 요구함을 방증합니다.

또한, 세 가지 유형(스파이크 생략, 지터 추가, 포아송 노이즈)과 세 가지 강도로 구성된 총 27가지 노이즈 조건은 실제 신경 생리학적 환경이나 센서 노이즈를 모방하여 알고리즘의 강건성을 평가할 수 있는 틀을 마련했습니다. 테스트셋이 단순한 단어 분류가 아닌, 연속된 스파이크 스트림(Simple Wikipedia 기반 문장)에서 키워드를 탐지하는 과제로 구성된 점도 실용적인 평가 지향성을 보여줍니다. 이 모든 설계는 뉴로모픽 컴퓨팅이 지향하는 이벤트 기반, 비동기적, 시간-민감적 처리의 우위를 입증할 수 있는 새로운 기준을 제시한다는 점에서 의미가 큽니다.