본 논문은 계산 및 메모리 집약적인 심층 신경망 기반 지속적 학습(Continual Learning, CL) 방법의 어려운 배포 문제를 해결하기 위해, 보다 효율적인 접근 방식으로의 패러다임 전환 필요성을 강조한다. 특히, 신경 형태 지속적 학습(Neuromorphic Continual Learning, NCL)이 등장하고 있으며, 이는 스파이킹 신경망(Spiking Neural Networks, SNNs)의 원리를 활용하여 자원 제약된 컴퓨팅 시스템에서 동적으로 변화하는 환경에서 효율적인 CL 알고리즘을 실행할 수 있게 한다. 본 논문은 NCL에 대한 포괄적인 연구를 목표로, 우선 CL에 대한 자세한 배경을 제공하며, CL의 요구 사항, 설정, 지표, 시나리오 분류, 온라인 지속적 학습(Online Continual Learning, OCL) 패러다임, 최근의 재난적 망각(Catastrophic Forgetting, CF)을 해결하기 위한 DNN 기반 방법들을 다룬다. 이어서 CL 요구 사항, 계산 및 메모리 비용, 네트워크 복잡성을 고려하여 이러한 방법들을 분석하고 에너지 효율적인 CL의 필요성을 강조한다. 그 후, 인코딩 기법, 뉴런 동역학, 네트워크 아키텍처, 학습 규칙, 하드웨어 프로세서, 소프트웨어 및 하드웨어 프레임워크, 데이터 세트, 벤치마크 및 평가 지표를 포함한 저전력 신경 형태 시스템에 대한 배경을 제공한다. 그리고 NCL의 최첨단 기술을 종합적으로 검토하고 분석하며, 주요 아이디어, 구현 프레임워크 및 성능 평가를 제공한다. 감독 학습과 비감독 학습 패러다임을 결합한 여러 하이브리드 접근 방식을 다루며, SNN 연산 감소, 가중치 양자화 및 지식 증류를 포함한 최적화 기법도 다룬다. 또한 실제 NCL 응용 프로그램의 진행 상황을 논의하고, 더 넓은 신경 형태 AI 연구 커뮤니티에 유용하고 생물학적으로 타당한 OCL에 대한 미래 연구를 고무하기 위해 NCL에 대한 개방형 연구 과제에 대한 미래 전망을 제시한다.
