earticle

영어

The research evaluates the efficiency of a Spiking Neural Network (SNN) based on the Leaky Integrate-and-Fire (LIF) model. A single-hidden-layer SNN model and a deep learning model with an identical number of hidden layers were trained on the MNIST and Fashion MNIST datasets. The study compared the performance and energy efficiency of both models. While the deep learning model demonstrated superior overall performance, the SNN outperformed it in energy efficiency through event-based activation and spike-generation mechanisms. These findings highlight the potential and applicability of SNN technology in energy-constrained environments such as IoT devices and edge computing, showcasing its greater adaptability and efficiency compared to traditional deep learning techniques.

한국어

본 논문은 LIF(Leaky Integrate-and-Fire) 모델을 기반으로 한 스파이킹 신경망(SNN)의 효율성을 평가 하기 위한 연구이다. 1개의 은닉층을 갖는 SNN 모델과 동일한 은닉층의 개수를 갖는 딥러닝 모델을 MNIST와 Fashion MNIST 데이터셋을 이용하여 학습 시킨 후 두 모델의 성능과 에너지 효율성을 비교 분석하였다. 전체적 인 성능에 있어 딥러닝 모델이 SNN 모델에 비하여 높은 것을 관찰할 수 있었지만, SNN은 이벤트 기반 활성화 와 스파이크 생성 메커니즘을 통해 딥러닝 모델에 비하여 에너지 효율성이 뛰어난 것으로 나타났다. 따라서 제한 된 전력 환경에서 인공지능 기술을 구현해야 하는 IoT 디바이스, 엣지 컴퓨팅 등 전력이 제한된 응용 분야에서 SNN 기술이 일반적인 딥러닝 기술에 비하여 높은 잠재력 및 적용 가능성이 있음을 입증하였다.