스파이킹 뉴럴 네트워크(SNN)의 다양한 학습 알고리즘 가운데, ANN-to-SNN 변환은 높은 정확도와 심층 네트워크로의 확장성 때문에 인기를 얻었다. 인공 신경망(ANN)을 SNN으로 변환하고 변환 손실 감소(conversion loss reduction) 기법을 활용함으로써, 기존의 ANN-to-SNN 변환 접근법들은 양호한 정확도를 달성하였다. 그러나 기존 연구들은 하드웨어에서 변환 손실 감소를 구현하는 데 따르는 오버헤드를 고려하지 않았으며, 그 결과 하드웨어 구현의 타당성이 제한되었다. 본 논문에서는 ANN 학습 동안 SNN을 SNN-유사 ANN을 얻기 위해 가능한 한 가깝게 시뮬레이션하는 변환 인지 학습(conversion aware training, CAT)을 제안한다. 따라서 제안하는 방법은 변환 이후 어떠한 변환 손실 감소 기법도 필요로 하지 않아 하드웨어 오버헤드를 줄이면서, 다양한 신경 코딩 방법을 사용한 SNN에서 최신(state-of-the-art) 정확도를 달성한다. 또한 하드웨어 친화적인 SNN을 얻기 위한 CAT의 적용으로서, CAT가 가능하게 하는 로그(logarithmic) 계산을 채택한 경량 time-to-first-spike(TTFS) 코딩을 시연한다. 로그 TTFS를 지원하는 SNN 프로세서는 28nm CMOS 공정으로 구현되었으며, 5비트 로그 가중치 VGG-16을 실행할 때 CIFAR-10/100/Tiny-ImageNet에서 정확도 91.7/67.9/57.4%, 추론 에너지 486.7/503.6/1426uJ를 달성한다. 주요 기여는 1) ANN-to-SNN 변환 지침으로서 CAT 제안 2) 다양한 신경 코딩에 CAT 적용 3) 공동 설계된 TTFS 코딩과 프로세서 제시이다.

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