본 논문은 스파이킹 신경망(SNN)의 에너지 효율성과 생물학적 타당성에 주목하여, 기존 인공 신경망(ANN)의 대안으로서 SNN의 발전 가능성을 제시합니다. 특히, SNN이 시간 정보를 처리하는 데 있어서 시간적 특징 활용과 저전력 소비 간의 균형을 맞추는 것이 중요한 과제임을 지적하며, 이를 해결하기 위해 새로운 시간 이동(Temporal Shift, TS) 모듈을 제안합니다. TS 모듈은 간단한 이동 연산을 통해 과거, 현재, 미래의 스파이크 특징을 단일 시간 단계 내에서 통합하고, 잔차 연결 방식을 통해 정보 손실을 방지합니다. 학습 가능한 매개변수가 하나만 필요하고 계산 비용이 적어 기존 SNN 아키텍처에 손쉽게 통합될 수 있습니다. 제안된 TS-SNN은 CIFAR-10, CIFAR-100, ImageNet 데이터셋에서 기존 최고 성능을 능가하는 결과(CIFAR-10: 96.72%, CIFAR-100: 80.28%, ImageNet: 70.61%)를 더 적은 시간 단계로 달성하면서 낮은 에너지 소비를 유지합니다.
