본 논문은 비선형 활성화와 선형 변환을 단일 학습 가능한 표현으로 통합한 새로운 통합 신경 계산 단위인 APTx 뉴런을 제안합니다. APTx 뉴런은 APTx 활성화 함수에서 파생되며, 별도의 활성화 계층이 필요 없어 계산 효율성과 우아함을 모두 갖춘 아키텍처를 만듭니다. 제안된 뉴런은 $y = \sum_{i=1}^{n} ((\alpha_i + \tanh(\beta_i x_i)) \cdot \gamma_i x_i) + \delta$ 의 함수 형태를 따르며, 모든 매개변수 $\alpha_i$, $\beta_i$, $\gamma_i$, 그리고 $\delta$는 학습 가능합니다. MNIST 데이터셋에서 APTx 뉴런 기반 아키텍처를 검증하여 약 332K의 학습 가능한 매개변수를 사용하여 단 20 에포크 만에 최대 96.69%의 테스트 정확도를 달성했습니다. 이 결과는 기존 뉴런에 비해 APTx 뉴런의 우수한 표현력과 계산 효율성을 강조하며, 통합 뉴런 설계 및 이를 기반으로 구축된 아키텍처에 대한 새로운 패러다임을 제시합니다.
