본 논문은 생물학적 신경망을 모방한 스파이킹 신경망(SNN)의 효율적인 하드웨어 가속기 설계에 초점을 맞추고 있다. 기존 인공 신경망 가속기에 비해 SNN 가속기 연구는 상대적으로 부족한 상황이며, 특히 SNN의 비정형적 공간 및 시간적 스파스성을 활용한 효율적인 하드웨어 처리에 대한 연구가 미흡하다. 이에 본 논문에서는 비정형 스파스성의 과제와 기회를 고려하여 새로운 시스톨릭 어레이 기반 SNN 가속기 아키텍처인 SpikeX를 제안한다. SpikeX는 다중 비트 가중치 데이터 이동에 대한 효율적인 데이터 흐름을 통해 메모리 접근을 줄이고 데이터 공유 및 하드웨어 활용도를 높여 에너지 효율 및 추론 지연 시간을 크게 향상시킨다. 또한 SNN 네트워크와 하드웨어의 공동 설계의 중요성을 인지하여 하드웨어 인식 SNN 학습과 하드웨어 가속기 아키텍처 탐색을 가능하게 하는 공동 최적화 방법론을 개발하였다. 이러한 엔드투엔드 네트워크/가속기 공동 설계 접근 방식은 모델 정확도를 저하시키지 않으면서 에너지-지연-곱(EDP)을 15.1배에서 150.87배까지 감소시킨다.
