본 논문은 엣지 컴퓨팅 디바이스에서 AI의 에너지 효율적인 배포를 위해, 전압 의존적 시냅스 가소성(VDSP)을 활용한 멤리스티브 시냅스 기반의 무감독 학습 방식을 제시합니다. Hebbian 원리에 기반한 VDSP는 복잡한 펄스 성형 회로 없이 실시간 학습을 가능하게 하며, TiO$_2$, HfO$_2$, HfZrO$_4$ 기반의 멤리스티브 소자에 적용하여 MNIST 기반 패턴 인식 태스크에서 83% 이상의 정확도를 달성했습니다. 또한, 소자 변동성에 대한 영향을 평가하고 완화 전략을 제시합니다.
시사점, 한계점
•
시사점:
◦
엣지 컴퓨팅 환경에서 저전력, 실시간 AI 학습을 위한 새로운 접근 방식 제시.
◦
VDSP 기반의 멤리스티브 시냅스 구현을 통해 STDP의 복잡성을 해결.
◦
다양한 멤리스티브 소자에 대한 적용 가능성 및 MNIST 데이터셋에서의 높은 성능 입증.
◦
소자 변동성 영향을 분석하고, 이를 해결하기 위한 방안 제시.
•
한계점:
◦
특정 MNIST 데이터셋에 대한 성능만 검증됨. 다른 데이터셋 및 복잡한 문제에 대한 일반화 성능 확인 필요.
