FPGA 기반 스파이킹 신경망 플라스틱리티 가속기 FireFly‑P로 구현하는 실시간 적응 제어

초록

FireFly‑P는 FPGA에 구현된 스파이킹 신경망(SNN) 가속기로, 두 단계의 플라스틱리티 규칙을 오프라인 진화 전략으로 최적화한 뒤, 온보드에서 실시간으로 가중치를 업데이트한다. 8 µs의 전체 지연 시간과 0.713 W, 약 10 K LUT만 사용해 Cmod A7‑35T 보드에서 동작하며, 로봇 제어와 같은 동적 환경에서 빠른 적응성을 제공한다.

상세 분석

본 논문은 생물학적 시냅스 가소성 메커니즘을 로봇 제어에 적용하기 위해 알고리즘‑하드웨어 공동 설계(co‑design) 접근을 채택하였다. 핵심은 네 개의 가중치 업데이트 항(연관 강화 α, 전시냅스 억제 β, 후시냅스 동형성 γ, 시냅스 정규화 δ)으로 구성된 파라메트릭 플라스틱리티 모델이다. 각 항은 스파이크 트레이스 S(t)와 지수 감쇠 상수 λ에 기반해 실시간으로 계산되며, 16‑bit 부동소수점(FP16) 연산으로 구현해 정밀도와 자원 효율을 균형있게 맞췄다.

오프라인 단계에서는 진화 전략(ES)을 이용해 다수의 SNN 후보를 대표 과제에 평가하고, 최적 파라미터 θ를 탐색한다. 이 과정은 가중치 자체가 아니라 학습 규칙을 찾는 것이므로, 다양한 환경 변동에 대해 일반화된 적응 능력을 확보한다. 이후 온보드 단계에서는 θ를 고정하고, 초기 가중치를 0으로 시작해 매 타임스텝마다 플라스틱리티 엔진이 Δw를 계산한다. 이렇게 하면 로봇이 갑작스러운 구조 변화(예: 다리 손실)나 외부 교란에 직면했을 때, 시냅스 연결을 스스로 재구성해 성능 저하를 최소화한다.

하드웨어 설계는 두 개의 독립 엔진(Forward Engine, Plasticity Engine)과 공유 BRAM 기반 메모리, 그리고 스케줄러로 구성된다. Forward Engine은 부분합(psum)‑스테이셔너리 방식과 멀티플라이어‑프리 LIF 모델을 사용해 레이어당 3단계 파이프라인(psum 계산 → 뉴런 동역학 → 트레이스 업데이트)을 구현한다. Plasticity Engine은 α,β,γ,δ를 한 번에 읽어 DSP 블록에서 네 항을 병렬 연산하고, 가중치 변화는 파이프라인 어드더 트리를 통해 집계한다. 스케줄러는 읽기‑쓰기 충돌을 방지하기 위해 쓰기 우선 메모리 정책을 적용하고, 레이어 간 파이프라인 겹침을 통해 L1 가중치 업데이트와 L2 전방 패스를 동시에 수행한다. 이러한 설계는 레이턴시 8 µs(전방 + 플라스틱리티)와 높은 처리량을 동시에 달성하게 한다.

자원 측면에서 전체 설계는 약 10 K LUT, 50 DSP, 2 BRAM 포트, 0.713 W 전력만을 소모한다. 이는 기존 neuromorphic 보드가 제공하는 제한된 플라스틱리티(대부분 고정 가중치)와 비교해 크게 향상된 점이다. 실험에서는 방향, 속도, 위치 일반화 과제에서 로봇이 급격한 파라미터 변동에도 안정적인 궤적을 유지했으며, 플라스틱리티가 없는 베이스라인 대비 3배 이상 빠른 수렴을 보였다.

결론적으로 FireFly‑P는 (1) 진화 기반 오프라인 규칙 최적화, (2) FPGA‑친화적 4‑항 플라스틱리티 연산, (3) 고도로 파이프라인화된 듀얼 엔진 구조라는 세 축을 통해 실시간 적응 제어를 가능하게 하는 최초의 경량 SNN 가속기이다. 향후 다중 로봇 협업, 저전력 드론, 그리고 에지 AI 응용 분야에 적용될 잠재력이 크다.