스파이크의 시간 패턴으로 동적 상황을 해석하는 SNN Risk Intelligence
SNN(Spiking Neural Network)은 뉴런의 막전위와 발화 시점을 상태로 유지하며 시간에 따라 들어오는 입력의 순서와 변화 패턴을 처리하는 뉴로모픽 AI 모델입니다.
로보윙크의 SNN Risk Intelligence 연구는 DVS Event Vision에서 정제된 시공간 이벤트를 스파이크 시퀀스로 변환하고, 시간축에 누적되는 뉴런 상태를 이용해 동적 패턴과 상황 변화를 해석하는 데 초점을 둡니다.
SNN 뉴런은 입력 스파이크를 시간에 따라 누적하고, 막전위가 임계값을 넘으면 출력 스파이크를 발생시킨 뒤 상태를 갱신합니다.
입력 이벤트를 시간순 스파이크로 받아 뉴런 상태에 전달합니다.
이전 시점의 막전위를 유지하면서 새로운 입력을 시간축으로 누적합니다.
막전위가 임계값을 넘으면 해당 시점에 출력 스파이크를 발생시킵니다.
발화 이후 상태를 재설정하거나 감쇠하여 다음 시간 단계의 추론을 이어갑니다.
동일한 Event Vision 데이터라도 스파이크 표현 방식에 따라 시간정보 보존 정도와 모델 복잡도가 달라지므로 목적에 맞는 인코딩 방식을 비교·연구합니다.
이벤트의 위치와 발생 시점을 직접 스파이크 입력으로 연결하여 비동기성을 최대한 유지합니다.
(x, y, t, p) → spike특징의 크기 또는 변화 정도를 최초 발화 시점의 빠르기로 표현합니다.
stronger → earlier spike일정 시간 구간에서 발생하는 스파이크 빈도를 이용해 입력 강도를 표현합니다.
feature ∝ spike count시간축을 짧은 구간으로 나누어 이벤트 밀도와 순서를 안정적인 입력 텐서로 구성합니다.
T → [t1, t2, ... tn]SNN은 현재 입력뿐 아니라 직전 시점의 뉴런 상태를 함께 사용하여 짧은 순간의 변화와 지속되는 움직임 패턴을 구분합니다.
시간순 입력 스파이크
입력 중요도 반영
막전위 상태 누적
연속 변화 패턴 형성
시간 특징 벡터 추출
상황 표현 및 분류 입력
사업분야의 제어 판단 로직을 반복하기보다, 연구단에서는 스파이크 네트워크 내부에서 어떤 시간 패턴을 안정적으로 표현하고 구별할 수 있는지를 중점적으로 다룹니다.
순간 노이즈와 일정 시간 지속되는 실제 움직임 패턴을 구별합니다.
여러 공간영역에서 동시 또는 순차적으로 발생하는 스파이크 상관성을 학습합니다.
시간에 따른 뉴런 상태 변화로 장면의 변화 추세와 전이를 표현합니다.
단일 순간 출력보다 시간 구간 내 추론 일관성을 활용해 결과의 안정성을 높입니다.
시간축의 비미분적 스파이크 발화를 학습 가능하게 만들고, 엣지 하드웨어에 배치할 수 있도록 모델 구조와 가중치 표현을 함께 최적화합니다.
스파이크 발화함수의 비미분성을 근사 미분으로 처리하여 시간축 기반 역전파 학습을 수행하는 연구 방향입니다.
스파이크 발생 시점 차이를 활용한 로컬 가중치 업데이트와 현장 적응형 학습 가능성을 중장기 연구 주제로 검토합니다.
단순 정확도뿐 아니라 시간적 안정성, 스파이크 희소성, 연산 지연과 모델 경량화를 함께 평가합니다.
SNN Risk Intelligence는 센서 전처리 자체나 최종 제어 기능이 아니라, 이벤트 시퀀스를 시간적 의미로 변환하는 AI 연구 계층입니다.
정제된 이벤트 스트림과 시공간 표현을 SNN 입력으로 전달합니다.
스파이크 인코딩, 뉴런 상태, 시간 패턴 학습을 통해 추론 특징을 생성합니다.
학습된 SNN 모델을 엣지 하드웨어에 배치하고 인터페이스 및 실시간 실행을 담당합니다.
Event-to-Spike, SNN 학습, 시간특징 추출 및 엣지 배치를 위한 공동 연구와 PoC를 검토합니다.