이번주에는 이현종 연구원이 SNN에서 타임스텝을 입력 데이터 샘플에 따라 적응적으로 조절하여 SNN의 성능과 에너지 효율성을 최적화 하는 기법을 다루는 논문을 발표했습니다. 해당 논문은 2023년 NIPS 컨퍼런스에서 포스터 세션에 발표된 논문으로 기존에 SNN의 학습 능력과 효율성을 높이기 위해 기존에 사용된 방법들과는 다르게 스파이크의 방출 시간을 결정하는 타임스텝을 조절하여 SNN의 학습 능력과 효율성을 조절했습니다. 해당 논문에서 소개한 SEENN은 Averaged Earliest Timestep (AET)를 이론적으로 예측하고 해당 이론적 예측 값을 SEENN-I, SEENN-II가 각각 thresholding 기법과 policy network reinforcement learning 기법을 통해 유추해 AET를 적용하여 다른 기법들보다 다양한 데이터셋에서 더 높은 성능 및 에너지 효율성을 보였습니다. 해당 논문을 통해 저희도 지금 연구중인 SNN에 타임스텝을 조절해보면서 성능과 에너지 효율성을 조절해보고 더 괜찮은 SNN 세팅을 찾아볼 수 있을 것 같습니다.