본 논문은 신경망을 위한 하드웨어 특화 ASIC(Application-Specific Integrated Circuits) 개발에 초점을 맞춘 연구입니다. 기존의 GPU와 같은 범용 하드웨어의 von Neumann 아키텍처를 넘어서는 아키텍처를 가진 시스템을 고려하며, 강유전체 커패시터(FeCap) 기반 스파이킹 뉴런과 저항 변화식 비휘발성 메모리(RRAM) 기반 시냅스를 기반으로 하드웨어에 특화된 신경망을 훈련하는 하향식 접근 방식을 제시합니다. 물리적 소자의 컴팩트 모델을 기반으로 하여, 확률성, 변동성, 낮은 비트 정밀도와 같은 하드웨어 제약 조건을 고려한 신뢰할 수 있는 역전파 훈련 알고리즘을 개발하고, RRAM 기반 양자화 시냅스와 FeLIF(ferroelectric leaky integrate-and-fire) 뉴런으로 구성된 네트워크에 적용하여 시공간 데이터셋에서 성능을 평가합니다. 다양한 LIF 뉴런 기반 네트워크와의 성능 비교를 통해 BRUNO 훈련 알고리즘을 사용한 FeLIF 뉴런 기반 네트워크의 시간 및 메모리 감소 효과를 확인합니다.
