연구진이 메모리 효율적인 연속 시간 스파이킹 뉴럴 네트워크(SNN) 훈련 프레임워크를 개발했어요. 이 프레임워크는 가변 스파이크 시간 이산화(DSTD)를 기반으로 하며, 기존 방식 대비 메모리 사용량을 100배까지 줄일 수 있어요.
DSTD는 불규칙한 스파이크를 고정된 시간대로 매핑하여 후보 스파이크 시간 계산에 필요한 메모리를 줄이고, 층별 발화 창을 정리하는 시간 정규화를 도입하여 데드 뉴런 문제를 완화했어요.
이 기술 덕분에 단일 GPU에서 9층 CNN을 CIFAR-10 데이터셋에, 20층 CNN을 Fashion-MNIST 데이터셋에 훈련할 수 있었어요.
연구 결과는 SNN의 훈련 가능성을 높이고, 신경 모방 하드웨어 개발에 기여할 것으로 기대돼요.