노트북에서 직접 만든 스파이킹 신경망 엔진의 NARMA-10 결과와 효율성 관찰

작성자는 개인 노트북에서 자작한 Spiking Neural Network 엔진을 NARMA-10 벤치마크로 검증해 실험 결과와 한계를 보고한다. 초기 구성에서는 저수지의 기억 깊이가 약 2스텝으로 벤치마크가 요구하는 10스텝을 감당하지 못해 성능이 크게 낮았고 간단한 파라미터 튜닝으로는 개선되지 않았다. 입력에 다양한 이산 지연을 도입해 과거 정보가 네트워크에 시간적으로 분포되게 하자 메모리 깊이가 약 3배로 늘어나 기본 선형 기준과 동등한 성능을 확보했다. 또한 작은 512셀 인식 과제에서는 스파이킹 네트워크가 동일 정확도를 유지하면서 내부 multiply-and-add 연산을 15배 적게 수행해 이벤트 기반 연산의 효율성을 수치로 입증했다. 결론은 스파이킹 방식이 정확도에서 연속 단위망을 능가하지는 못하지만, 문제 공간이 허용할 때 연산·에너지 비용을 크게 낮출 수 있다는 점이며 작성자는 정확도 경쟁을 넘는 실용적 적용처를 모색하려 한다는 향후 계획을 제시한다.