PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.24075v1cs.CV

뉴로모픽 컴퓨팅을 활용한 레이더 및 통신 변조 인식 엔드-투-엔드 프레임워크

End-to-End Radar and Communication Modulation Recognition with Neuromorphic Computing

심층 학습(deep learning) 기반 방법은 자동 변조 인식(AMR, Automatic Modulation Recognition) 작업에서 높은 정확도를 달성할 수 있지만, 높은 연산 비용으로 인해 정확도와 전력 소비 간의 균형을 맞추기 어려워 자원이 제한된 플랫폼에서의 응용에 한계가 있다. 최근 스파이크 기반 추론(spike-driven inference)을 적은 에너지 예산으로 수행하는 뉴로모픽(neuromorphic) 아키텍처가 비전 및 시계열 작업에 탐색되고 있다. 이러한 연구들에 착안하여, 우리는 AMR을 위한 뉴로모픽 하드웨어 제약 조건에 스파이크 기반 트랜스포머(spike-driven transformer)를 적용하는 새로운 엔드-투-엔드 스파이킹 신경망(SNN, Spiking Neural Network) 아키텍처인 EMRFormer를 제안한다. 이 모델은 유효 정보의 손실을 완화하고 SNN 표현 용량을 향상시키기 위해 적응형 스파이크 인코더(adaptive spike encoder)와 정수형 누설 적분-발화(Integer Leaky Integrate-and-Fire) 뉴런을 통합한다. 스파이크 분리 합성곱 신경망(SSCNN, Spike-Separable Convolution Neural Network)을 스파이크 기반 트랜스포머(SpikeFormer)에 통합함으로써, EMRFormer는 원시 IQ 파형에서 다중 스케일 시간적 특징을 효과적으로 추출한다. 다양한 주류 데이터셋에서 우리의 접근법을 검증한 결과, EMRFormer는 모든 기준 모델을 능가하는 최첨단 정확도를 달성하였다. 또한, 이 모델은 낮은 신호 대 잡음비(SNR) 환경에서도 강력한 성능을 유지하며, 이론적 에너지 소비를 90% 이상 절감한다. 마지막으로 KA200 뉴로모픽 칩에서 모델을 평가한 결과, 3090 GPU 또는 Orin NX에서 실행하는 것과 비교하여 최대 5배의 전력 절감을 달성하였다. 본 연구는 자원이 제한된 장치에서의 AMR을 위한 유망한 경로를 제시한다.