스핀트로닉 인공 시냅스와 SNN 학습/추론 하드웨어 가속

Spintronic Artificial Synapses and SNN Hardware Acceleration

연구 내용

스핀트로닉 다중 자기상태 시냅스를 기반으로 ANN-to-SNN 변환과 조기종료 학습 가속을 함께 설계하여 에너지 효율의 뉴로모픽 연산을 구현하는 연구

뉴로모픽 연산에서 시냅스 저장과 처리의 결합을 목표로 하드웨어와 알고리즘을 함께 다룹니다. 스핀트로닉 인공 시냅스에서는 전압 제어로 자기 쉬운축 방향을 다중 상태로 형성하여 비휘발 성격과 다상태 동작을 확보합니다. 이를 기반으로 CNN 및 SNN 연산 구조를 구성해 인지 정확도를 평가합니다. 또한 SNN에서는 ANN-to-SNN conversion의 전환 오버헤드를 줄이기 위해 conversion aware training을 도입하고, hardware friendly time-to-first-spike coding을 포함한 프로세서를 설계합니다. 학습 단계에서는 학습에 기여하지 않는 입력을 식별해 조기종료함으로써 훈련 에너지와 시냅스 연산을 줄입니다. 멤리스터 크로스바 아키텍처의 대규모 in-memory 컴퓨팅 방향도 함께 검토합니다.

관련 프로젝트

0건

연구 흐름

초기에는 비휘발 메모리 관점에서 시냅스 구현 가능성을 검토하고, 스핀트로닉 다중 자기상태를 제어해 상태 변화와 저장을 동시에 달성하는 방향으로 연구를 진행했습니다. 이후에는 해당 시냅스를 이용한 신경망 연산 구조를 구성하고, CNN 및 SNN 적용 시 에너지 효율과 면적 요구를 평가하는 흐름을 확립했습니다. 동시에 소프트웨어-하드웨어 연결을 위해 SNN의 ANN-to-SNN conversion을 conversion aware training으로 재정의하여 전환 후 별도 보정 없이 고정밀 동작을 노렸습니다. 최근에는 time coding 기반 프로세서를 구현하고, 학습 단계에서는 조기종료와 timestep splitting을 통해 feedforward 계산 낭비를 줄이는 연구를 수행하며, 대규모 멤리스터 크로스바 기반 in-memory 컴퓨팅 확장도 병행합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

비휘발 시냅스 기반 뉴로모픽 소자
다중 자기상태 제어 회로
ANN-to-SNN conversion 가이드
conversion aware training
time-to-first-spike 코딩
SNN Processor 하드웨어 구현
학습 조기종료 기반 에너지 절감
timestep splitting 학습 가속
멤리스터 크로스바 in-memory 학습
엣지 인지용 시간코딩 가속기