PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.12074v2cs.CV

생성적 적대 신경망과 멤리스터 기반 분류기를 이용한 비정면 얼굴 인식

Non-frontal face recognition using GANs and memristor-based classifiers

얼굴 인식 시스템은 심층 학습(deep learning) 기법을 통해 크게 발전하여 복잡한 시나리오에서 높은 성능과 견고성을 제공하고 있다. 그러나 이러한 접근 방식은 상당한 연산 오버헤드를 수반하여, 비정면 얼굴 영상 처리 등의 과제를 해결해야 하는 드론과 같은 자원 제약적 플랫폼에서의 현장 적용성을 제한한다. 멤리스터 기반 뉴로모픽 시스템은 생물학적으로 영감을 받은 처리 방식과 효율적이고 확장 가능한 연산을 결합하여 엣지 AI 응용을 위한 유망한 접근법으로 부상하고 있다. 본 연구에서는 경량 생성적 적대 신경망(GAN) 기반의 포즈 정면화와 멤리스터 기반 뉴로모픽 인식을 통합하여 비정면 포즈 변화를 처리하는 얼굴 인식 프레임워크를 제안한다. 두 가지 데이터셋에 대한 실험 결과는 적대적 학습과 멤리스티브 기술의 결합이 효과적임을 입증하며, 최대 96%의 식별 정확도를 달성하였다. 제안된 접근 방식은 기존 AI의 연산 병목을 완화하고, 동적인 실세계 환경에서의 얼굴 인식을 위한 확장 가능하고 효율적인 솔루션을 제공한다.

arXiv:2607.02608v2cs.AR

모델 프리 시간 스위치 프레임워크를 통한 전이 가능한 경량 뉴로모픽 컴퓨팅을 향하여

Towards transferable lightweight neuromorphic computing through a model-free temporal-switch framework

경량 뉴로모픽 컴퓨팅은 효율적인 AI를 위한 유망한 경로를 제공하며, 자원이 제한된 엣지 배포 환경에서 특히 이점이 크다. 그러나 기대 성능을 안정적으로 전이할 수 있는 확장 가능한 배포는 소자 간 편차(device-to-device variations)로 인해 오랫동안 저해되어 왔으며, 이는 새로운 소자마다 비용이 많이 드는 반복적인 재학습을 필요로 하여 실용적 이점을 약화시킨다. 이 문제를 해결하기 위해, 우리는 사후 학습 보정이나 조정 없이 직접 전이 성능을 향상시키는 모델 프리 시간 스위치(TS, temporal-switch) 프레임워크를 제안한다. TS 프레임워크는 학습 과정에서 더 광범위한 스펙트럼의 소자를 포함하는 방법론을 제공한다. 멤리스터 기반 저장소 컴퓨팅(reservoir computing)을 이용한 검증에서, 직접 전이된 판독(readout)만으로 미확인 소자에서 높은 성능을 가능하게 한다. 대표적인 Mackey-Glass 벤치마크에서 향상된 예측 성능을 달성하고, 구어 숫자 분류(spoken digit classification)에서 92.4%의 정확도를 기록한다. 그 효능은 서로 다른 멤리스터 계열 및 RC 구성에 걸쳐 검증된다. 이론적 분석은 그 효능의 기반이 되는 일반적인 계산 메커니즘을 밝힐 뿐만 아니라, 다른 물리적 플랫폼에 대한 잠재적 적용 가능성도 강조한다.

arXiv:2606.22621v1cs.AR

온-칩 신경망을 위한 다중 레벨 저항성 시냅스: 준연속 전도도 상태를 갖는 멤리스티브 크로스바 패브릭의 물리 기반 설계

Multi-Level Resistive Synapses for On-Chip Neural Networks: A Physics-Based Design of a Memristive Crossbar Fabric with Quasi-Continuous Conductance States

저항성 통신을 기반으로, 이 논문은 밀집된 전도도 상태 스펙트럼을 지원하는 다중 레벨 멤리스티브 시냅스를 갖춘 온-칩 신경망의 물리 기반 설계를 제시한다. 이온 전송 물리학으로부터 도출하여 상태 변수 모델을 개발하고, 열 잡음·드리프트·양자화된 전도도 조건 하에서 저장 가능한 하위 레벨을 정량화한다. 이 소자들을 1T1R 크로스바 패브릭으로 조합하고, 배선 저항 하에서 아날로그 벡터-행렬 곱(VMM)의 선형대수를 도출하며, 부호 있는 가중치를 위한 차동 시냅스를 설계한다. 다층 파이프라인은 추론, 역전파, 가중치 업데이트를 아날로그 도메인에서 물리적으로 실행한다. 인-시츄 외적 학습 규칙, 전도도 격자 위에서의 이산화, 그리고 그에 따른 양자화 잡음을 도출한다. 에너지, 면적, 용량, 타일 간 모델을 제공하며, 이 기판이 대규모 언어 모델(LLM)에 이상적으로 적합함을 보인다. 본 설계는 가중치 이동을 제거함으로써 이진 ReRAM 및 기존 CMOS를 능가한다. 소재 스택(HfO_2 기반), FEOL/BEOL CMOS 파운드리 통합 플로우, 독립형 SPICE 모델, 완전한 멤리스티브-FPGA 뉴로모픽 시스템, 그리고 전류 모드 트랜스리니어 소프트맥스를 갖춘 인-메모리 셀프 어텐션 엔진을 상세히 기술한다. 마지막으로, 3진 BitNet 데이터패스는 고급 CPU 및 GPU 대비 수 자릿수 향상된 토큰당 효율을 예측한다. 그 결과는 고밀도 아날로그 인-메모리 신경망 프로세서를 위한 독립적인 하드웨어 네이티브 청사진이다.

arXiv:2606.13379v1cs.LG

자동 음성 인식을 위한 멤리스터 기반 아날로그 연산 맥락에서의 위치 인코딩

Positional Encoding in the Context of Memristor-Based Analog Computation for Automatic Speech Recognition

멤리스터 기반 아날로그 연산에서 위치 인코딩의 큰 출력 값이 아날로그-디지털 변환(ADC) 열화를 유발함을 식별하고, 특정 레이어의 ADC 비트 비율을 조정하여 실행 열화를 약 50% 감소시켰다. ADC 수정이 불가능한 경우 인코딩 관련 선형 변환을 제거하여 열화를 약 30% 완화했다.