딥러닝 모델은 예측 문제에서 높은 정확도를 달성해 왔으나, 그 대가로 막대한 계산 에너지 수요가 따른다. 뇌의 작동 원리를 모방한 스파이킹 신경망(SNNs)은 유망한 저전력 대안이지만, 시계열 예측에 대한 적용은 이진 스파이크로부터 발생하는 정보 손실과 더 깊은 네트워크에서의 성능 저하로 인해 제한되어 왔다. 본 논문은 SNN에서의 정보 인코딩과 전파를 모두 개선함으로써 이러한 간극을 메우는 완전 스파이킹 프레임워크를 제안한다. 제안 프레임워크는 시간-시계열 데이터에서의 급격한 변화와 점진적 추세를 모두 포착하는 하이브리드 델타-레이트(Delta-Rate) 인코딩 메커니즘을 도입하며, 스파이킹 계층 간에 세부 정보를 보존하기 위해 아날로그 막전위 값을 전달하는 Mem-Spike 메커니즘을 포함한다. 또한 깊은 스파이킹 네트워크에서 신호 흐름을 유지하기 위해 잔차 막 연결(residual membrane connections)을 활용한다. 두 개의 공개 에너지 부하 데이터셋을 사용한 결과, 개선된 SNN은 기존의 스파이킹 모델을 일관되게 능가하였고, 예측 정확도를 최대 61.6% 향상시키면서 다층 네트워크에서의 성능 저하를 완화하였다. 특히, 선택한 딥러닝 기준 모델(LSTM)과의 격차를 좁혀 일부 설정에서는 유사한 정확도를 달성했으며, 공통적인 연산 수준 모델(common operation-level model) 하에서 해당 기준 모델의 추정 추론 에너지의 약 10%만을 요구하였다. 이러한 결과는 본 연구에서 고려한 경험적 범위 내에서, 개선된 기존 SNN이 유리한 추정 효율을 유지하면서도 시계열 예측 정확도를 향상시킬 수 있음을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.