PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.05590v1eess.SP

DBNN: 심층 이진화 신경망을 이용한 신경 스파이크 분류

DBNN: Neural Spike Classification Using a Deep Binarized Neural Network

이식형 뇌-컴퓨터 인터페이스는 텔레메트리 대역폭과 소비 전력을 줄이면서 신뢰성 있는 신경 디코딩을 유지하기 위해 노드 상의 스파이크 정렬이 필요하다. 본 논문은 하드웨어 지향적인 심층 이진화 신경망(DBNN) 스파이크 정렬 시스템을 제안한다. 이 시스템은 256개 뉴런을 갖는 두 개의 이진화 은닉층과 고정소수점 출력층으로 구성되어, 부호 제어 누산 및 비트 단위 논리 연산이 지배적인 승산기 없는 추론을 가능하게 한다. 제안된 분류기는 구현 비용을 줄이기 위해(16-256-256-3) 압축된 16 샘플 스파이크 파형에서 동작하며, 합성 및 생체내(in-vivo) 데이터셋 모두에서 98.7%의 중앙값 분류 정확도를 달성한다. Cyclone V 장치의 FPGA 프로토타입은 50 MHz에서 동작하며 스파이크당 528 사이클을 필요로 하고, 이는 0.01 ms의 연산 지연 시간에 해당하며, DSP 블록 없이 828 ALM 및 1023 레지스터를 사용한다. ASIC 타당성 검토를 위해 DBNN을 FreePDK45 기반 플로우로 구현하였으며, Synopsys Design Compiler를 이용한 합성 결과 1.1 V 공급 전압 하에 20 kHz에서 추정 실리콘 면적 0.014 mm², 동작 전력 122 nW임을 확인하였다. 이 결과들은 제안된 DBNN 스파이크 정렬기가 저전력 이식형 신경 인터페이스를 지원하는 정확도와 구현 비용 간의 유리한 트레이드오프를 제공함을 보여준다. 전반적으로, 제안된 DBNN 스파이크 정렬기는 높은 정확도(98.7%)와 극도로 낮은 하드웨어 비용(0.014 mm², 20 kHz에서 122 nW) 및 승산기 없는 동작을 달성하여 저전력 이식형 신경 인터페이스에 적합하다. 본 논문은 실시간 신경 스파이크 정렬을 위해 설계된 최초의 DBNN을 소개하며, 입력 데이터 크기와 네트워크 복잡도 간의 우수한 균형을 달성한다.