PyTorchKR Papers

최신 논문

총 37편
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:2610.15968v1cs.LG

스파이킹 트랜스포머의 소프트맥스-프리 어텐션: 이준위 시스템의 영온도 극한

Softmax-Free Attention in Spiking Transformers as the Zero-Temperature Limit of Two-Level Systems

스파이킹 트랜스포머(Spiking Transformer)는 소프트맥스 정규화를 포기하고 임계값 기반의 이진(binary) 어텐션을 사용함으로써 에너지 효율성을 달성한다. 그러나 이러한 제거는 정규화된 측도(normalized measure)와 분배함수(partition function)가 더 이상 존재하지 않게 되면서, 어텐션 네트워크를 분석하는 데 사용되던 열역학적 프레임워크를 무너뜨린다. 우리는 소프트맥스 없는 스파이킹 어텐션이 독립적인 이준위 시스템들의 곱의 영온도 극한과 정확히 동일하게 작동함을 증명함으로써 이 이론적 기반을 복원한다. 이 대응관계는 모든 입력에 대해 스파이킹 어텐션을 열역학적 상태도(phase diagram)의 동결된 질서상(frozen ordered phase)에 엄격하게 위치시킨다. 그 결과, 어텐션을 구성하는 데 필요한 엔트로피적 비용은 붕괴하며, 그 자리를 활동전위(action potential) 생성에 의해 결정되는 란다우어(Landauer) 유형의 물리적 하한이 대신하게 된다. 더 나아가, 이러한 질서상 고정(pinning)은 대리 기울기(surrogate gradient) 소실로 인한 최적화의 어려움을 수학적으로 설명한다. 우리는 전진 이완(forward-relaxation) 실험을 통해 이 이론을 검증하며, 표준 어텐션과 뉴로모픽(neuromorphic) 어텐션 메커니즘을 통합된 열역학적 축 위에 위치시킨다.

arXiv:2510.12843v2cs.LG

시간축에 견고한 지속 학습 스파이킹 신경망을 위한 로컬 시간축 게이트

Local Timescale Gates for Timescale-Robust Continual Spiking Neural Networks

스파이킹 신경망(spiking neural networks, SNN)은 뉴로모픽 하드웨어에서 에너지 효율적인 인공지능을 구현할 것으로 기대되지만, 특히 지속 학습(continual learning) 상황에서 빠른 적응과 장기 기억을 모두 요구하는 과제에는 어려움을 겪는다. 우리는 이중 시간 상수 동역학과 적응형 게이팅 메커니즘을 결합한 뉴런 모델인 로컬 시간축 게이팅(Local Timescale Gating, LT-Gate)을 제안한다. 각 스파이킹 뉴런은 빠른 시간축과 느린 시간축의 정보를 병렬로 추적하며, 학습된 게이트가 이들의 영향을 국소적으로 조절한다. 이 설계는 개별 뉴런이 느린 맥락 정보를 보존하면서도 빠른 신호에 반응할 수 있게 하여 안정성-소성 딜레마(stability-plasticity dilemma)를 해결한다. 우리는 추가로 생물학적 항상성(homeostasis)에서 영감을 받아 발화 활동을 안정화하는 분산 추적 정규화를 도입한다. 실험적으로 LT-Gate는 순차 학습 과제에서 정확도와 보존력을 크게 향상시킨다. 까다로운 시간적 분류 벤치마크에서 LT-Gate는 약 51%의 최종 정확도를 달성하며, 이는 최근의 헤비안(Hebbian) 지속 학습 기준선의 약 46%와 기존 SNN 방법들의 더 낮은 정확도에 비해 우수하다. 외부 리플레이(replay)나 고비용 직교화(orthogonalization)를 요구하는 접근법과 달리, LT-Gate는 국소 업데이트만으로 동작하며 뉴로모픽 하드웨어와 완전히 호환된다. 특히 LT-Gate는 온칩 학습을 위해 Intel의 Loihi 칩이 가진 특성(서로 다른 감쇠율을 갖는 다중 시냅스 트레이스)을 활용한다. 본 연구 결과는 다중 시간축 게이팅이 SNN의 지속 학습 성능을 크게 향상시킬 수 있음을 보여주며, 평생 학습(lifelong-learning) 과제에서 스파이킹 신경망과 기존 딥러닝 네트워크 간의 격차를 줄인다.

arXiv:2610.01418v2cs.AI

SpikeMoE: 유연한 스파이킹 전문가 혼합을 위한 뇌 모사 경쟁적 라우팅

SpikeMoE: Brain-Inspired Competitive Routing for Flexible Spiking Mixture-of-Experts

스파이킹 신경망(SNN)은 뉴런 수준에서 생물학적으로 영감을 받은 동역학을 통해 이벤트 기반 연산을 가능하게 하는 반면, 전문가 혼합(MoE)은 모델 수준에서 전문가 선택을 통해 조건부 연산을 수행합니다. 이들의 장점을 결합하면 유연한 신경망 구조를 구축할 수 있는 잠재력이 생깁니다. 그러나 핵심적인 과제는 스파이킹 활동을 기반으로 하는 전문가 선택 메커니즘을 설계하는 데 있습니다. 이를 해결하기 위해 본 논문에서는 해마 CA1 영역에서 관찰되는 경쟁-억제(competition-inhibition)에서 영감을 얻은 스파이크 기반 k-WTA 라우터를 도입합니다. 이 라우터는 측두 억제(lateral inhibition)와 불응기(refractory period)를 결합하여 이산적인 스파이크 수에 따라 상위 K개(Top-K) 전문가를 선택합니다. 이를 바탕으로 뉴런 수준의 스파이킹 동역학과 모델 수준의 전문가 선택을 통합하는 프레임워크인 SpikeMoE를 제안합니다. 또한 멀티모달 과제에서 불완전한 다중 감각 입력을 처리하기 위해, 관측된 모달리티 풀의 경험적 프로토타입과 모달리티별 학습 가능한 임베딩(embedding)을 결합하여 결측 모달리티 표현을 구축하는 2단계 결측 모달리티 모델링 모듈을 SpikeMoE에 추가로 탑재했습니다. 비전, 언어 및 멀티모달 벤치마크(benchmark)에 대한 실험 결과는 SpikeMoE가 SNN 베이스라인 중 최고 수준의 성능을 달성하고, 이에 상응하는 인공신경망(ANN)의 성능과 일치하거나 이를 능가하며, 다양한 결측 모달리티 조건 전반에서 견고성을 유지함을 보여줍니다. 이러한 결과는 성능과 에너지 효율성 간의 우수한 절충점(trade-off)을 입증하여, 스파이킹 동역학과 희소 전문가 연산의 통합 타당성을 검증하고 에너지 효율적인 뇌 모사 컴퓨팅을 위한 유망한 접근법으로서 SpikeMoE의 가치를 부각합니다.

arXiv:2506.11030v2cs.LG

순방향 타깃 전파: 국소 손실을 통한 전역 오차 기여도 할당의 순전파 전용 접근법

Forward Target Propagation: A Forward-Only Approach to Global Error Credit Assignment via Local Losses

신경망 학습(training)은 전통적으로 그래디언트(gradient) 기반 알고리즘인 역전파(backpropagation, BP)에 의존해 왔으나, 역전파의 광범위한 성공에도 불구하고 생물학적 및 하드웨어적 관점 모두에서 주요한 한계를 지닙니다. 여기에는 대칭 가중치에 의한 역방향 오차 전파, 비국소적 기여도 할당(non-local credit assignment), 역전파 과정에서의 활성화 동결 등이 포함됩니다. 본 논문에서는 역전파를 두 번째 순전파(forward pass)로 대체하는 생물학적으로 타당하며 계산 효율적인 대안인 순방향 타깃 전파(Forward Target Propagation, FTP)를 제안합니다. FTP는 피드포워드 계산만을 사용하여 층별(layerwise) 타깃을 추정하므로, 대칭적 피드백 가중치나 학습 가능한 역함수의 필요성을 없애 모듈형 국소 학습을 가능하게 합니다. 완전 연결 신경망, CNN, RNN에서 FTP를 평가한 결과, MNIST, CIFAR10, CIFAR100에서 BP와 경쟁력 있는 정확도를 보였을 뿐만 아니라 순차적 태스크에서 장기 의존성을 효과적으로 모델링함을 입증했습니다. 나아가 FTP는 양자화(quantization)된 저정밀도(low-precision) 및 최신 하드웨어 제약 조건에서 BP를 능가하는 성능을 보였으며, 타깃 전파 변형 및 순전파 전용 학습 알고리즘과 같은 여타 생물학적 영감을 받은 방법들에 비해 상당한 효율성 향상을 입증했습니다. 최소한의 계산 오버헤드, 순전파 전용 특성, 하드웨어 호환성을 갖춘 FTP는 에너지 효율적인 온디바이스 학습 및 뉴로모픽 컴퓨팅을 위한 유망한 방향을 제시합니다.

arXiv:2609.24403v1cs.CV

스파이킹 신경망(Spiking Neural Network)은 핀볼을 할 수 있을까? 표적 추적을 위한 뉴로모픽 모션 검출기

Can Spiking Neural Networks play pinball? A neuromorphic motion detector for target tracking

생물학적 시각 시스템은 희소하고 비동기적인 스파이킹 신호를 처리함으로써 연속적이고 지연시간이 낮은 모션 인지(motion perception)를 달성하며, 이를 통해 엄격한 에너지 제약 하에서도 실시간 추적을 가능하게 한다. 포유류의 망막에서 영감을 받은 이벤트 기반 카메라(event-based camera)는 국소적인 밝기 변화만을 비동기 이벤트로 포착함으로써 이러한 효율성을 재현하며, 스파이킹 신경망(SNN)이 연산을 병렬화하고 빠르게 변화하는 장면에 적응할 수 있는 자연스러운 기반을 제공한다. 핀볼(pinball)은 작고 빠르게 움직이는 타깃에 대한 정밀한 모션 추정과 신속한 반응을 요구하는, 통제되면서도 동적인 테스트베드를 제공한다. 본 연구는 폐루프(closed-loop) 핀볼 게임플레이를 위한 완전한 스파이킹 기반의 실시간 인지-행동(perception-to-action) 파이프라인을 제시한다. 동적 비전 센서(dynamic vision sensor)가 작고 빠르게 움직이는 공을 관측하며, SpiNNaker 뉴로모픽 플랫폼 상의 스파이킹 시간차 인코더(Time-Difference Encoder) 네트워크가 공의 위치, 속도, 방향을 공동으로 추정한다. 이 시스템은 실시간 동작을 위해 수용장(receptive field) 크기, 누적 윈도우(accumulation window), 각도 튜닝 폭(angular tuning width)을 기준으로 특성화되며, 물리적 사실성이 점차 높아지는 두 가지 플리퍼(flipper) 체제(regime)에서 인간 플레이어를 상대로 폐루프 방식으로 벤치마킹된다. 이 시스템은 56.1%의 적중률(hit rate)을 달성하는데, 이는 인간 평균의 거의 두 배에 해당하며, 21.7ms(네트워크 지연시간 5ms) 이내에 반응하고 25,000개 미만의 뉴런을 사용하여 약 148 μW를 소비함으로써, 벤치마킹된 이벤트 기반 폐루프 시연 시스템 중 가장 빠르고 가장 에너지 효율적인 축에 속한다. 보다 사실적인 플리퍼 역학(dynamics) 하에서는, 해석 가능한 단일 정책 매개변수(policy parameter)를 조정하는 것만으로 인지 파이프라인의 변경 없이 신중한 플레이 스타일부터 공격적인 플레이 스타일에 이르는 인간 플레이 스타일의 전체 스펙트럼을 재현한다. 실제 공을 추적하고 실제 플리퍼를 폐루프 방식으로 구동하는 물리적 시연 장치(physical demonstrator)는 이 원리가 시뮬레이션을 넘어서도 작동함을 확인시켜 준다. 완전한 스파이킹 기반의, 학습이 필요 없는(learning-free) 설계는 실시간 뉴로모픽 인지-행동의 소형이면서 에너지 효율적인 사례를 제공한다.

arXiv:2609.22838v1cs.NE

센싱에서 지능으로: 뉴로모픽 회로와 시스템을 위한 원리

Sensing to Intelligence: Principles for Neuromorphic Circuits and Systems

뉴로모픽 공학(neuromorphic engineering)은 신경계가 시간에 따라 감각을 인지하고 적응하며 진화하는 방식에서 영감을 얻어, 시스템의 물리적 거동 자체를 계산에 활용할 수 있다는 아이디어에서 출발했습니다. 이후 이 분야는 초기 아날로그 회로를 훨씬 넘어 이벤트 기반 센서, 스파이킹 프로세서, 차세대 메모리 소자, 혼성 신호(mixed-signal) 시스템, 대규모 신경 가속기까지 포괄하도록 확장되었습니다. 그러나 이러한 확장과 함께 '뉴로모픽'의 의미는 점차 모호해졌습니다. 본 관점(Perspective) 논문에서 우리는 뉴로모픽 공학이 생물학적 구성요소와의 유사성이나 특정 소자, 신호 표현, 또는 기판에 의해 정의되어서는 안 된다고 주장합니다. 뉴로모픽의 잠재력은 생물학적 시스템에서 계산 원리를 규명하고 이를 인공 기계의 조직 구조와 동역학으로 변환하는 데 있습니다. 특정 시스템이 진정한 의미의 뉴로모픽이 되기 위해서는, 차용된 생물학적 또는 물리적 원리가 정보의 표현 방식, 상태의 진화 방식, 또는 전체 시스템이 달성하는 능력에 인과적이고 설계 관점에서 유의미한 역할을 해야 합니다. 우리는 센싱, 집합 통신 계산(collective computation), 메모리, 학습, 상호작용 전반에 걸쳐 이러한 관점을 전개합니다. 적응, 비선형 동역학, 어트랙터(attractor) 구조, 가변성, 그리고 폐루프(closed-loop) 동작은 계산이 기계의 진화하는 물리적 상태에 어떻게 내재될 수 있는지를 잘 보여줍니다. 이러한 예시들을 바탕으로 뉴로모픽 시스템을 위한 일련의 설계 원리를 도출합니다. 뉴로모픽 공학이 보다 폭넓은 실적용을 향해 나아감에 따라, 본 관점은 중심 질문을 기계가 신경계와 얼마나 유사한지에서 이러한 원리를 이해하고 새로운 기계로 의도적으로 구현했을 때 어떤 계산이 가능해지는지로 전환합니다.

arXiv:2605.19911v2physics.optics

구동-소산 역학을 통한 현장 학습 및 기억 형성을 위한 재구성 가능한 비선형 광자 네트워크

Reconfigurable Nonlinear Photonic Networks for In-Situ Learning and Memory Formation via Driven-Dissipative Dynamics

광자 신경형(neuromorphic) 컴퓨팅은 광학 시스템의 높은 대역폭, 낮은 지연 시간, 대규모 병렬성을 활용하여 기존 폰 노이만(Von Neumann) 아키텍처의 한계를 극복할 수 있는 유망한 경로를 제공한다. 그러나 기존 구현의 대부분은 고전적 리저voir 컴퓨팅(reservoir computing)과 같은 고정된 동역학 기질에 의존하며, 이 경우 학습은 외부 판독(readout) 층에 제한되고 기억은 일시적인 소멸(fading) 효과에 국한된다. 본 연구는 구동-소산(driven-dissipative) 역학으로부터 연산, 기억, 학습이 직접적으로 창발하는 물리적으로 정당화된 신경형 프레임워크인 재구성 가능한 비선형 광자 의사결정 네트워크(Reconfigurable Nonlinear Photonic Decision Network, RNPDN)를 제안한다. 수치 시뮬레이션을 통해 본 연구는 다음과 같은 핵심 특성의 동시적 실현을 보여준다: 적응적 상태 진화를 가능하게 하는 국소 물리적 학습 규칙, 감쇠(decay) 및 히스테리시스(hysteresis) 메커니즘에 의해 조절되는 조절 가능한 안정성-가소성(stability-plasticity) 트레이드오프, 이안정(bistable) 광자 상태를 통한 통제된 기억 형성 및 소거, 소멸 기억, 현장(in-situ) 학습, 포화(saturation)와 소산(dissipation)을 포함하는 하드웨어 충실(hardware-faithful) 비선형 역학. 기존 접근법과 대조적으로, 제안된 시스템은 일시적 기억과 지속적 기억을 모두 지원하면서 물리적 층 내에서 본질적인 적응을 가능하게 한다. 이러한 결과는 적응적 광자 정보 처리를 위한 통합 프레임워크를 확립하고, 확장 가능하고 에너지 효율적인 신경형 광자 하드웨어를 향한 경로를 제공한다.

arXiv:2410.23619v4cs.NE

처음부터 효율적으로 첫 스파이크까지의 시간(TTFS) 스파이킹 신경망 학습하기

Efficiently Training Time-to-First-Spike Spiking Neural Networks from Scratch

스파이킹 신경망(SNNs)은 이벤트 기반 및 생물학적 영감 메커니즘을 통해 에너지 효율적인 뉴로모픽 하드웨어에 매우 적합합니다. SNNs에 중요한 신경 코딩은 스파이크를 통해 정보가 표현되는 방식을 결정합니다. 첫 스파이크까지의 시간(TTFS) 코딩은 뉴런당 단일 스파이크를 사용하여 극도의 희소성과 에너지 효율성을 제공하지만, 희소한 발화로 인해 불안정한 학습과 낮은 정확도를 겪는 경우가 많습니다. 이러한 문제를 해결하기 위해, 우리는 매개변수 초기화, 학습 정규화, 시간적 출력 디코더, 그리고 풀링 층에 대한 재평가를 포함하는 학습 프레임워크를 제안합니다. 제안된 매개변수 초기화와 학습 정규화는 신호 감쇠와 그래디언트 소실을 완화하여 학습을 안정화하는 데 도움을 줍니다. 우리의 출력 디코더는 시간적 스파이크를 집계하여 조기 발화를 유도함으로써 지연 시간을 줄입니다. 풀링 층에 대한 재평가는 최대 풀링(max-pooling)이 단일 스파이크 제약 조건을 위반하므로 피해야 하지만, 평균 풀링(average-pooling)은 이를 보존함을 보여줍니다. 실험 결과, 우리의 프레임워크는 학습을 안정화하고 가속화하며 지연 시간을 줄이고, MNIST (99.48%), Fashion-MNIST (92.90%), CIFAR10 (90.56%), CIFAR100 (70.27%) 및 DVS Gesture (95.83%)에서 단계별 TTFS SNNs에 대한 최첨단 정확도를 달성함을 보여줍니다.

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:2607.14672v1cs.LG

미분 가능한 스파이크 시간 이산화를 이용한 연속 시간 스파이킹 신경망의 스케일 가능 학습

Scalable Training of Continuous-Time Spiking Neural Networks with Differentiable Spike-Time Discretization

연속 시간 스파이킹 신경망(SNN)은 시간적 계산, 계산 신경과학, 뉴로모픽(neuromorphic) 하드웨어를 위한 이벤트 기반 프레임워크를 제공한다. 그러나 깊은 연속 시간 SNN의 학습은, 시냅스 전(presynaptic) 스파이크 순서에 의해 결정되는 구간마다 후보 발화 시각을 평가하고 유지하는 정확한 스파이크 시간 계산에 필요한 메모리로 인해 심각하게 제약된다. 여기서 우리는 일반적인 막 및 시냅스 시간 상수를 갖는 leaky integrate-and-fire(LIF) 뉴런에 대해, 미분 가능한 스파이크 시간 이산화(DSTD)에 기반한 메모리 효율적인 학습 프레임워크를 제안한다. DSTD는 불규칙한 시냅스 전 스파이크를 고정된 시간 지점에서의 미분 가능한 가중 이벤트로 매핑하여, 입력 의존적 후보 차원을 $M$개의 고정 시간 구간으로 대체하면서 연속 시간 막 전위(membrane-potential) 역학을 정확하게 근사한다. 이는 time-to-first-spike(TTFS) 코딩의 경우 후보 관련 활성화 메모리를 $O(N_{\mathrm{out}}N_{\mathrm{in}})$에서 $O(N_{\mathrm{out}}M)$로 줄이며, 여기서 $N_{\mathrm{in}}$과 $N_{\mathrm{out}}$은 각각 시냅스 전 및 시냅스 후(postsynaptic) 뉴런 수를 나타낸다. 또한 우리는 층별 발화 윈도우를 구성하고, dead-neuron 실패를 완화하며, 파이프라인형 처리를 가능하게 하는 synfire-chain에서 영감을 받은 시간 정규화를 추가로 도입한다. dense LIF 층에서 DSTD는 정확한 스파이크 시간 계산과 비교하여 최대 메모리 소비를 약 100배, 학습 시간을 약 20배까지 줄였다. 이러한 방법들을 통해, 우리는 단일 GPU에서 CIFAR-10에 대해 9층 합성곱 SNN과 Fashion-MNIST에 대해 20층 합성곱 SNN을 학습시킬 수 있었다.

arXiv:2603.15886v4cs.LG

PhasorFlow: 단위원 기반 연산을 위한 Python 라이브러리

PhasorFlow: A Python Library for Unit Circle Based Computing

PhasorFlow는 $S^1$ 단위원 위에서 연산하는 오픈소스 Python 라이브러리를 제시한다. 입력은 $N$-토러스($\mathbb{T}^N$) 위의 복소 페이저 $z=e^{iφ}$로 인코딩된다. 계산이 유니터리 파 간섭 게이트를 통해 진행됨에 따라 전역 노름은 보존되는 동시에 성분은 $\mathbb{C}^N$으로 표류하여, 알고리즘이 연속적인 기하학적 그래디언트를 활용할 수 있게 한다. PhasorFlow는 세 가지 기여를 한다. 첫째, 전체 행렬 대수 시뮬레이션 하에서 표준 유니터리, 비선형, 뉴로모픽, 인코딩 연산을 아우르는 22-게이트 라이브러리와 함께 Phasor Circuit 모델($N$개 스레드, $M$개 게이트)을 형식화한다. 둘째, 변분 양자 회로와 유사한 학습 가능한 위상 네이티브 분류기인 Variational Phasor Circuit(VPC)을 제안한다. 셋째, $QK^TV$ 어텐션을 매개변수 없는 DFT 토큰 혼합 층으로 대체하는 Phasor 트랜스포머 블록과 Large Phasor 모델(LPM)을 제안한다. 해당 라이브러리에만 있는 금융 변동성 탐지, 뉴로모픽 연상 기억, 신경 결합, 주기 찾기, 알고리즘적 논리 응용에서 프레임워크를 검증한다. 이는 단위원 연산을 고전적 하드웨어 위의 결정론적·경량 패러다임으로 자리매김한다. https://github.com/mindverse-computing/phasorflow 에서 이용 가능하다.

arXiv:2603.23206v2cs.NE

효율적이고 저지연 심층 스파이킹 신경망을 위한 지연 시간 코딩

Latency Coding for Efficient and Low-Latency Deep Spiking Neural Networks

스파이킹 신경망(SNN)은 생물학적으로 영감을 받은 연산 패러다임으로, 에너지 효율적인 신경 처리에 큰 잠재력을 제공한다. SNN의 신경 코딩 방식 중 뉴런의 첫 스파이크 정확한 시점을 통해 정보를 인코딩하는 첫 스파이크까지의 시간(TTFS) 코딩은 뛰어난 활동 희소성과 에너지 효율성을 제공한다. 그러나 기존 TTFS 모델은 효율적인 학습 방법이 부족하여 추론 지연 시간이 높고 성능이 제한되어, 뉴로모픽 하드웨어에서의 실용성을 제한한다. 본 연구에서는 TTFS 코딩의 확장인 지연 시간 코딩(latency coding)을 제안하고, 시간역전파(BPTT) 알고리즘을 활용하여 지연 시간 코딩 심층 SNN의 효율적 학습을 가능하게 하는 호환 프레임워크를 제시한다. 이 프레임워크는 다음을 포함한다: (1) 직접 강도-지연 시간 매핑에서의 심각한 정보 손실을 해결하기 위해 특징 추출과 straight-through 추정기를 갖춘 지연 시간 인코딩(LE) 모듈; (2) 정보 전파와 그래디언트 흐름을 개선하기 위한 중간층의 엄격한 단일 스파이크 제약 완화; (3) 모델의 신뢰도에 따라 지도 신호의 가중치를 동적으로 조절하여 속도와 정확도 간 트레이드오프를 균형 있게 하는 시간 적응형 의사결정(TAD) 손실 함수. 실험 결과, 제안 방법은 초저지연 추론과 높은 에너지 효율성을 유지하면서 기존 TTFS 코딩 SNN과 비교해 경쟁력 있거나 더 우수한 정확도를 달성함을 보여준다. 지연 시간 코딩 SNN은 입력 교란에 대한 개선된 강건성도 보인다. 이러한 결과는 지연 시간 코딩이 빠르고 에너지 효율적인 뉴로모픽 처리를 위한 실용적이면서 하드웨어 친화적인 접근법임을 강조한다.

arXiv:2607.12901v1cs.AR

적응형 델타 및 펄스 주파수 인코딩을 갖춘 32채널 이벤트 기반 생체 신호 아날로그 프론트엔드

A 32-channel event-based bio-signal analog front-end with adaptive delta and pulse frequency encoding

저전력 이벤트 기반 아날로그 프론트엔드(AFE)는 효율적인 종단 간(end-to-end) 뉴로모픽 신호 처리 시스템 구축에 필수적이다. 본 논문에서는 생체의학 신호 취득 및 인코딩에 최적화된 이벤트 기반 AFE 응용 특화 집적 회로(ASIC)를 제안한다. 해당 칩은 32개의 독립적으로 프로그래밍 가능한 입력 채널을 갖추며, 펄스 주파수 변조(PFM) 및 적응형 비동기 델타 변조기(aADM) 회로로 구성된 이중 모드 인코딩 메커니즘 출력을 제공한다. aADM 인코더는 입력 신호 포락선에 따라 실시간으로 인코딩 데이터율을 조절하는 자동 스케일링 메커니즘을 제공하여, 저전력 정보 전송을 위한 매우 높은 데이터 압축을 가능하게 한다. 이 접근법은 뇌-컴퓨터 인터페이스(BCI)에서의 온라인 처리를 위한 신경 신호의 적응형 무선 통신으로 나아가는 길을 연다. 180 nm CMOS 공정으로 제작된 제안 ASIC는 최신 스파이킹 신경망(SNN) 뉴로모픽 프로세서와 호환되는 고도로 구성 가능한 인터페이스를 제공한다.

arXiv:2506.21324v3cs.NE

양자 메모리와 지역 학습을 갖춘 확률적 양자 스파이킹 신경망

Stochastic Quantum Spiking Neural Networks with Quantum Memory and Local Learning

신경모사 컴퓨팅과 양자 컴퓨팅은 최근 인공지능 발전을 위한 유망한 패러다임으로 부상했으며, 각각 상호 보완적인 강점을 제공한다. 스파이킹 뉴런 기반 신경모사 시스템은 희소하고 이벤트 기반 연산을 통해 시계열 데이터를 효율적으로 처리하며, 입력 이벤트가 발생할 때만 에너지를 소비한다. 반면 양자 컴퓨팅은 큐비트 수에 따라 차원이 지수적으로 증가하는 상태 공간에서 동작한다—텐서 곱 합성의 결과로—양자 상태는 기저 상태 간 중첩과 하위 시스템 간 얽힘을 허용한다. 이 두 패러다임을 결합한 하이브리드 접근법은 잠재력을 보이기 시작했지만, 기존 양자 스파이킹 모델에는 중요한 한계가 있다. 특히, 기존 모델들은 단일 큐비트에 고전적 메모리 메커니즘을 구현하여 발화 확률을 추정하기 위해 반복 측정이 필요하고, 학습에는 기존의 역전파에 의존한다. 본 논문에서는 이러한 과제를 해결하는 새로운 확률적 양자 스파이킹(SQS) 뉴런 모델을 제안한다. SQS 뉴런은 다중 큐비트 양자 회로를 사용하여 내재적 양자 메모리를 갖춘 스파이킹 유닛을 구현하고, 추론 시 단일 샷(single shot)으로 이벤트 기반 확률적 스파이크 생성을 가능하게 한다. 또한 SQS 뉴런으로 구성된 네트워크—SQS 신경망(SQSNN)으로 명명—를 연구하고, 하드웨어 친화적인 지역 학습 규칙으로 학습할 수 있음을 보여 전역적 고전 역전파의 필요성을 제거한다. 제안한 SQSNN 모델은 일반 및 신경모사 데이터셋 모두에 대한 실험을 통해, 학습 가능한 파라미터 총수를 고정한 조건에서 이전 양자 스파이킹 신경망뿐 아니라 고전적 대응 모델 대비 성능이 향상됨을 보여주며, 신경모사 통합 감지 및 통신(N-ISAC)과 같은 이벤트 기반 응용 분야에서의 잠재력을 부각한다.

arXiv:2607.06456v2eess.SP

혼합 신호 스파이킹 신경망의 설계 공간 탐험을 위한 하드웨어 인식 오픈소스 프레임워크

A Hardware-Aware Open-Source Framework for Design Space Exploration of Mixed-Signal Spiking Neural Networks

엣지에서의 에너지 효율적인 뉴로모픽 컴퓨팅은 혼합 신호 스파이킹 신경망(SNN) 하드웨어의 비이상적 동작을 포착하는 동시에 시스템 수준의 설계 공간 탐험을 지원하는 시뮬레이션 도구를 필요로 한다. 본 연구는 뉴런, 시냅스, 아키텍처 선택에 걸친 비교 분석을 가능하게 하는 혼합 신호 SNN용 오픈소스 하드웨어 인식 시뮬레이션 프레임워크를 제시한다. 이 프레임워크는 Leaky Integrate-and-Fire(LIF), Hodgkin-Huxley(HH), Axon-Hillock(AH)을 포함한 복수의 뉴런 모델과, 플로팅 게이트 트랜지스터 및 ReRAM 소자 기반의 비휘발성 아날로그 시냅스를 지원한다. 소자 수준 비선형성을 PyTorch 기반 학습 및 추론에 직접 통합함으로써, 이 도구는 이상화된 추상적 가중치 대신 물리적 시냅스 매개변수의 최적화를 가능하게 한다. 프레임워크는 N-MNIST, DVS Gesture, Spiking Heidelberg Digits(SHD)를 포함한 표준 뉴로모픽 벤치마크에서 평가된다. 각 모델-데이터셋 구성에 대해 분류 정확도와 함께 실리콘 면적, 전력 소모, 양자화 민감도와 같은 하드웨어 중심 지표를 보고한다. 이러한 기능들은 크로스 층(cross-layer) 설계 공간 탐험을 가능하게 하며, 정확도, 에너지 효율성, 면적, 하드웨어 충실도에 대한 애플리케이션별 제약 조건을 가장 잘 충족하는 뉴런-시냅스 구성을 식별하는 데 도움을 준다.

arXiv:2607.05453v1cs.AR

파킨슨병 적응형 심부 뇌 자극을 위한 뉴로모픽 실리콘 뉴런 컨트롤러

Neuromorphic Silicon Neuron Controller for Adaptive Deep Brain Stimulation in Parkinson's Disease

CMOS 기반 뉴로모픽 실리콘 뉴런인 SiLIF-DBS 컨트롤러를 제안하여, 파킨슨병 적응형 심부 뇌 자극(aDBS)에서 기존 개루프 자극 대비 25% 전력만으로 병적 베타 활동을 억제하는 회로 수준의 폐루프 제어를 구현하였다. STN-LFP의 베타 대역 신호를 바이오마커로 활용하며 5.85%/μW의 억제 효율을 달성해 저전력 이식형 aDBS의 실현 가능성을 입증하였다.

arXiv:2512.05906v2cs.NE

ADSEQ: 스파이킹 신경망에서 스파이크 이벤트 전달을 위한 지연 인식 자동 미분 호환 프레임워크

ADSEQ: A delay-aware autograd-compatible framework for spike-event delivery in SNNs

스파이킹 신경망(SNN)의 그래디언트 기반 학습에서 시냅스 지연(synaptic delay)을 포함한 희소 스파이크 이벤트를 효율적으로 처리하기 위해, 임의의 큐 자료구조를 통한 지연-인식 정확 그래디언트 계산을 유도하고 이를 JAX 기반의 자동 미분 가능한 스파이크 이벤트 큐 프레임워크 ADSEQ로 구현하였다. CPU, GPU, TPU, LPU 플랫폼 벤치마크 결과, 하드웨어 아키텍처에 따라 최적 큐 구조가 상이함을 확인하였으며(CPU는 트리/FIFO, GPU는 링 버퍼, TPU는 정렬 기반), 선택적 스파이크 드롭을 통해 성능-정확도 트레이드오프를 조절할 수 있음을 보였다.

arXiv:2607.02967v2cs.LG

희소 분산 메모리를 위한 순위 기반 N-of-M 코드: 현대 뉴로모픽 아키텍처 대비 잡음 견고성에서 표현 효과와 학습 효과의 분리

Rank-Order N-of-M Codes for Sparse Distributed Memory: Disentangling Representation and Learning Effects in Noise Robustness Against Contemporary Neuromorphic Architectures

대규모 언어 모델(LLM)은 지속적 학습 시스템으로서 여전히 한계를 지니며, 이는 명시적 온라인 에피소드 메모리로서의 희소 분산 메모리(Sparse Distributed Memory, SDM)에 대한 관심을 새롭게 불러일으키고 있다. CALM(Nechesov and Ruponen, 2025)은 임계값-이진 인코더를 미해결 설계 문제로 지목한다. 본 논문은 대안으로서 순위 기반 N-of-M 인코딩(Furber et al., 2007)을 평가한다. 세 가지 기여를 제시한다. 첫째, 충실한 재구현을 통해 공개된 아키텍처를 검증하며, WheelSDM과 RankOrderSDM 간의 완전한 동등성(10개 시드 전체에서 코사인 유사도 1.0000)을 확인하고, 간섭 하에서 RDLIF 뉴런의 문서화된 발산을 재현한다. 둘째, 다중 시드 용량 실험에서 RankOrderSDM이 스케일된 구성의 포화 시점에서 StandardSDM을 13.4 퍼센트 포인트 앞서고, 공개된 아키텍처 규모에서는 0.8 퍼센트 포인트 앞서는 것을 보인다. 셋째, 비트 오류율(BER) 견고성 실험을 통해 표현 효과와 학습 효과를 분리하며, 큰 견고성 향상이 주로 순위 기반 인코딩과 MAX-Hebbian 학습의 상호작용에서 비롯되는 반면, 인코더 단독으로는 동일한 학습 조건 하에서 미미한 이점만 제공함을 보인다. GloVe-100 임베딩에 대한 실험은 실제 구조적 데이터에서 이 작지만 일관된 인코딩 이점을 확인하는 한편, 문장 임베딩은 낮은 메모리 부하에서 천장 효과를 나타낸다. 부가 분석에서는 이상적인 순위 기반 인코딩이 4비트 정밀도(precision)에서 SpikingMamba의 SI-LIF 뉴런에 비해 컴포넌트 수준 인코딩 에너지를 절반만 필요로 하지만, 디코더 비용이 전체 시스템 에너지를 지배함을 보인다. 이러한 결과는 원래 순위 기반 SDM 아키텍처의 어떤 구성 요소가 현대 메모리 증강 AI 시스템에 측정 가능한 이점을 제공하는지를 규명하며, CALM과 같은 아키텍처에 대한 실용적 지침을 제시한다.

arXiv:2607.02753v1cs.NE

뉴로모픽 하드웨어에서 극좌표 궤적을 위한 스파이킹 시퀀스 생성기

A Spiking Sequence Generator for Polar Trajectories on Neuromorphic Hardware

크기, 중량, 전력 제약이 있는 시스템을 위한 뉴로모픽 컨트롤러는 에너지 효율적이면서도 시스템 역학 수준에서 해석 가능한 신경망 아키텍처를 필요로 한다. 그러나 기존 접근법은 해석 가능성이 제한된 엔드투엔드 학습된 스파이킹 네트워크에 의존하거나, 뉴로모픽 역학을 완전히 활용하지 못하는 변환된 고전 컨트롤러에 의존한다. 우리는 극좌표 궤적을 생성하기 위한 스파이킹 신경망(SNN) 아키텍처를 제시하며, 신경 활성의 제어된 전환을 유도하는 보조 집단을 갖춘 승자독식(WTA) 아키텍처를 사용한다. 이러한 집단 역학에 대한 튜닝 규칙을 제시하고, 분로 억제(shunting inhibition)의 한 형태를 활용하여 생성되는 극좌표 궤적의 방향, 속도, 반경을 독립적으로 제어할 수 있도록 한다. 해당 신경망을 SpiNNaker2 뉴로모픽 프로세서에 구현하여, 기존 컴퓨팅 플랫폼 대비 실시간 스텝 시간에서 2~3 자릿수, 에너지 소비에서 3~4 자릿수의 감소를 달성함을 보인다.