Recently, as software-based artificial intelligence technology is rapidly commercialized, power consumption is increased due to increase of GPU traffic, and an artificial neural network technology is infringed by cloud server due to the privacy concerns. To solve this problem, there is a need for a new energy efficient hardware structure to replace the von Neumann architecture optimized for existing arithmetic operations. In this paper, hardware - based artificial neural network which imitates neuron's learning method is implemented by simulation, and compatibility between neuromorphic computing system and synaptic element is verified by simulation. In addition, we have studied the methodology to improve the learning efficiency from the system side. The effect of the weight updating method on the recognition rate and the effect of the pattern recognition method on the recognition rate were analyzed. The target applications are handwritten digit recognition system and face recognition system, and recognition rate is improved by 86.26% and 87.5% respectively.
최근 소프트웨어기반의 인공지능 기술이 급속도로 상용화되면서 GPU 트래픽 증가로 인한 전력 소모 증가, 클라우드 서버를 통한 인공 신경망 기술의 개인정보 침해 등의 문제들이 야기되고 있다. 이를 해결하기 위해 기존 산술 연산에 최적화된 폰 노이만 아키텍처를 대체할 새로운 에너지 효율적인 하드웨어 구조의 필요성이 대두되고 있다. 본 논문에서는 뉴런의 학습 방식을 모방한 하드웨어 기반의 인공신경망을 시뮬레이션으로 구현하였고, 뉴로모픽 컴퓨팅 시스템과 시냅스 소자의 적합성을 시뮬레이션을 통해 확인하였다. 또한, 시스템 측면에서 학습의 효율을 높일 수 있는 방법론에 대한 연구를 진행하였다. 가중치의 업데이트 방식이 인식률에 미치는 영향과, 패턴 인식하는 방식이 인식률에 미치는 영향에 대해 분석하였다. 대상 어플리케이션은 손글씨 기반의 숫자 인식 시스템과 얼굴 인식 시스템이며, 각각 86.26% 와 87.5%로 인식률이 향상되는 것을 확인하였다.
