본 논문은 스파이킹 신경망(SNN)의 에너지 효율성과 생물학적 타당성에 주목하여, 기존 인공 신경망(ANN)의 대안으로 제시합니다. SNN은 스파이크의 정확한 시기를 활용하여 시간 정보를 처리하지만, 시간적 특징 활용과 낮은 에너지 소비 간의 균형을 맞추는 것이 과제입니다. 이를 위해 논문에서는 새로운 시간적 이동(TS) 모듈을 통합한 TS-SNN을 제안합니다. TS 모듈은 간단한 이동 연산을 통해 과거, 현재, 미래의 스파이크 특징을 단일 시간 단계 내에서 통합하고, 잔차 결합 방식으로 정보 손실을 방지합니다. TS 모듈은 하나의 추가 학습 매개변수만 필요하며, 기존 아키텍처에 추가적인 계산 비용 없이 통합될 수 있습니다. CIFAR-10, CIFAR-100, ImageNet 데이터셋에서 기존 SNN보다 적은 시간 단계로 최첨단 성능(CIFAR-10: 96.72%, CIFAR-100: 80.28%, ImageNet: 70.61%)을 달성하면서 낮은 에너지 소비를 유지합니다.
