본 논문은 뇌의 신경 메커니즘에서 영감을 받은 스파이킹 신경망(SNNs)의 에너지 효율적인 구현에 초점을 맞춥니다. 기존의 직접 학습 방식으로 학습된 SNNs는 특정 시간 단계에 제한되는 "시간적 비유연성" 문제를 가지는데, 이는 시간 단계가 없는 완전 이벤트 기반 칩 배치를 저해하고 동적 추론 시간 단계에 기반한 에너지-성능 균형을 방해합니다. 본 연구에서는 다양한 시간 단계에 일반화되는 SNNs 학습의 가능성을 탐구하고, SNNs의 시간적 유연성을 향상시키는 새로운 방법인 혼합 시간 단계 학습(MTT)을 제시합니다. MTT는 각 반복마다 다른 SNN 단계에 무작위 시간 단계를 할당하고, 통신 모듈을 통해 단계 간에 스파이크를 전송합니다. 학습 후, 가중치는 시간 단계 기반 및 완전 이벤트 기반 플랫폼 모두에서 배포 및 평가됩니다. 실험 결과, MTT로 학습된 모델은 뛰어난 시간적 유연성, 이벤트 기반 및 클록 기반 배포에 대한 친화성 (N-MNIST에서는 거의 손실 없고, CIFAR10-DVS에서는 표준 방법보다 10.1% 높음), 향상된 네트워크 일반화 및 거의 최첨단 성능을 보여줍니다. 본 연구는 완전 이벤트 기반 시나리오에서 대규모 SNN 배포 결과를 보고한 최초의 연구입니다.
