가속형 아날로그 뉴로모픽 하드웨어에서 다중시간척도 시냅스 가소성 구현

초록

본 논문은 BrainScaleS‑2 아날로그‑디지털 혼합 뉴로모픽 시스템에 칼슘 기반 시냅스 태깅‑앤‑캡처(STC) 모델을 구현한다. 아날로그 회로로 칼슘 동역학을 재현하고, 내장 디지털 프로세서에서 정수 연산과 확률적 반올림을 이용해 가중치 업데이트를 수행한다. 네 가지 전형적인 자극 프로토콜에 대해 소프트웨어 기준 모델과 일치함을 보이며, 가속된 시뮬레이션이 장기 가소성 연구에 유용함을 입증한다.

상세 분석

이 연구는 기존의 CPU/GPU 기반 시뮬레이션이 장시간(시간당 수시간~수일) 동안 요구되는 가소성 메커니즘을 구현하는 데 한계가 있다는 점을 출발점으로 삼는다. BrainScaleS‑2(BSS‑2)는 아날로그 회로에서 뉴런과 시냅스의 연속시간 동역학을 1000배 가속으로 구현하고, 각 칩에 내장된 SIMD형 플라스티시티 프로세싱 유닛(PPU)으로 디지털 연산을 수행한다는 독특한 구조를 가진다. 논문은 칼슘 기반 STC 모델을 네 개의 연속적인 시간 척도—(1) 빠른 스파이크‑칼슘 변환, (2) 중간 단계인 초기 가중치 h 변화, (3) 단백질 합성 p 및 태그 θ 동역학, (4) 장기 가중치 z 업데이트—로 분리하고, 각각을 최적의 타임스텝으로 업데이트한다.

아날로그 코어는 적응 전류 I_adapt 를 이용해 칼슘 농도 c(t) 를 근사한다. 이 전류는 연속시간으로 변하고, CAD ADC를 통해 일정 간격 Δt 으로 샘플링된다. 샘플된 칼슘 값은 PPU에 전달되어 정수 연산으로 식(4)~(6)을 풀어 h, p, z 를 업데이트한다. 여기서 가장 큰 제약은 PPU가 부동소수점 연산을 지원하지 않으며, 8‑bit·16‑bit 정수만 사용할 수 있다는 점이다. 정밀도 손실을 최소화하기 위해 저자들은 확률적 반올림(stochastic rounding, SR) 기법을 도입한다. SR은 소수점 이하 값을 가장 가까운 두 정수 중 하나로 확률적으로 선택해 평균적으로 0‑bias 오류를 없애고, 작은 누적 업데이트가 소멸되는 ‘정체(stagnation)’ 현상을 방지한다.

또한, 저자들은 각 변수의 물리적 시간 상수에 맞춰 업데이트 주기를 다르게 설정함으로써 연산 부하를 최소화한다. 예를 들어, 칼슘 트레이스는 아날로그 코어에서 실시간으로 발생하므로 매 Δt 마다 샘플링하지만, 초기 가중치 h 는 τ_h에 비례하는 비교적 느린 주기로, 단백질 p 와 장기 가중치 z 는 τ_p, τ_z에 따라 더욱 드문 간격으로 SR 기반 업데이트를 수행한다. 이러한 다중 타임스텝 전략은 하드웨어 자원을 효율적으로 사용하면서도 모델의 연속성 및 정확성을 유지한다.

실험에서는 네 가지 전형적인 자극 프로토콜(고주파 전기 자극, 저주파 전기 자극, 짝지은 전기 자극, 행동 태깅 시뮬레이션)을 적용하고, 소프트웨어 기준 모델과 비교해 평균 절대 오차가 2 % 이하임을 확인했다. 특히, 장기 가중치 z 의 포화 및 회복 동역학이 아날로그‑디지털 결합 시스템에서도 정확히 재현되었으며, 가속 비율(≈1000×) 덕분에 실제 실험 시간은 수초 수준으로 단축되었다.

이 논문의 핵심 기여는 (1) 칼슘 기반 STC 모델을 아날로그 뉴로모픽 코어와 정수‑디지털 프로세서에 효율적으로 매핑한 방법, (2) 정수 연산의 한계를 극복하기 위한 확률적 반올림 적용, (3) 변수별 최적 타임스텝 설계로 연산 부하와 메모리 사용을 최소화한 점이다. 이러한 접근은 장기 기억 메커니즘을 대규모 신경망 수준에서 탐구하고자 하는 연구자들에게 새로운 실험 플랫폼을 제공한다. 향후 과제는 다중 시냅스·다중 뉴런 네트워크에 대한 확장, 온칩 학습 규칙의 자동 튜닝, 그리고 다른 가소성 모델(예: 스파이크‑타임‑의존성 플라스틱스)과의 통합이다.