뇌를 닮은 차세대 연산, 스파이킹 신경망

초록

스파이킹 신경망(SNN)은 연속값 신호 대신 이산적인 스파이크 이벤트를 이용해 에너지 효율과 시간 동적성을 확보한다. 본 논문은 LIF 뉴런, 서브스티튜트 그래디언트, ANN‑to‑SNN 변환, STDP 등 주요 모델·학습법을 비교 분석하고, 정확도, 에너지, 지연, 스파이크 수, 수렴 속도 등 다차원 성능 지표를 제시한다. 서브스티튜트 그래디언트 기반 SNN은 ANN 수준의 정확도와 빠른 수렴을 보이며, 변환 방식은 스파이크 수가 많고 시뮬레이션 창이 길다. STDP 기반 SNN은 수렴이 느리지만 스파이크 수와 에너지 소비가 최소화돼 저전력·비지도 학습에 유리하다. 하드웨어 표준화와 대규모 학습의 과제가 남아 있지만, 로보틱스·뉴로모픽 비전·엣지 AI 등 에너지·지연 제약이 큰 분야에 적합한 차세대 컴퓨팅 플랫폼으로 기대된다.

상세 요약

본 연구는 스파이킹 신경망(SNN)의 구조적·학습적 특성을 체계적으로 정리하고, 기존 인공신경망(ANN)과의 성능 격차를 정량화한다. 먼저, LIF(Leaky Integrate‑and‑Fire) 모델을 기본 뉴런으로 채택했으며, 전압 누설과 임계값 발사 메커니즘을 통해 생물학적 신경세포의 전기적 행동을 근사한다. 학습 방법으로는 세 가지 접근을 비교한다. 첫 번째는 서브스티튜트 그래디언트(Surrogate Gradient) 기법으로, 미분 불가능한 스파이크 함수를 연속적인 근사 함수로 대체해 역전파를 가능하게 한다. 실험 결과, 이 방법은 ANN 수준의 정확도(오차 1~2%)를 유지하면서 20번째 epoch까지 빠르게 수렴한다는 장점을 보였다. 두 번째는 ANN‑to‑SNN 변환 방식으로, 사전 학습된 ANN의 가중치를 그대로 옮겨 시뮬레이션 시간만 늘려 스파이크를 발생시킨다. 변환된 SNN은 정확도는 비슷하지만 스파이크 발생 횟수가 많아 에너지 효율이 떨어지고, 지연 시간이 길어지는 단점이 있다. 세 번째는 STDP(Spike‑Timing Dependent Plasticity) 기반의 비지도 학습으로, 프리‑와 포스트‑스파이크 간 시간 차이에 따라 시냅스 가중치를 조정한다. STDP는 수렴 속도가 느리지만, 스파이크 수와 에너지 소비가 최소화돼(추론당 5 mJ) 저전력 임베디드 환경에 최적화된다. 또한, STDP는 환경 변화에 대한 적응성이 뛰어나 로보틱스와 같은 온라인 학습 시나리오에 유리하다. 다차원 성능 지표 분석에서는 정확도·에너지·지연·스파이크 수·수렴 속도를 동시에 고려해야 함을 강조한다. 특히, 에너지와 지연이 제한적인 엣지 디바이스에서는 STDP가, 정확도와 빠른 학습이 요구되는 클라우드·서버 환경에서는 서브스티튜트 그래디언트가 각각 최적 선택이 될 수 있다. 마지막으로, 현재의 뉴로모픽 하드웨어는 SNN 전용 설계가 부족하고, 표준화된 인터페이스와 툴체인이 미비해 대규모 학습 파이프라인 구축에 장애가 된다. 이러한 하드웨어·소프트웨어 격차를 해소하기 위한 공동 연구가 향후 SNN 상용화의 핵심 과제로 제시된다.