본 논문은 스파이킹 신경망(SNNs)의 에너지 효율성과 생물학적 타당성에 주목하여, 기존 인공 신경망(ANNs)의 대안으로서 뉴로모픽 컴퓨팅 분야에 적용하고자 한다. SNNs는 스파이크의 정확한 타이밍을 활용하여 시간 정보를 처리하지만, 시간적 특징 활용과 낮은 에너지 소비 간의 균형을 맞추는 것이 과제이다. 이를 위해, 본 논문에서는 Temporal Shift (TS) 모듈을 통합한 Temporal Shift module for Spiking Neural Networks (TS-SNN)을 제안한다. TS 모듈은 간단하면서도 효과적인 시프트 연산을 통해 단일 시간 단계 내에서 과거, 현재, 미래의 스파이크 특징을 통합한다. 잔차 결합 방식을 통해 시프트된 특징과 원래 특징을 통합하여 정보 손실을 방지한다. TS 모듈은 추가적인 학습 매개변수가 하나뿐이며, 기존 아키텍처에 추가적인 계산 비용 없이 통합될 수 있다. TS-SNN은 CIFAR-10 (96.72%), CIFAR-100 (80.28%), ImageNet (70.61%) 등의 벤치마크에서 더 적은 시간 단계로 최첨단 성능을 달성하면서 낮은 에너지 소비량을 유지한다.
