뉴로모픽 아키텍처는 Spiking Neural Network(SNN) 모델을 사용하며, 추론 실험을 통해 스파이크 값이 많이 누적될수록 정확한 결과를 도출한다. 추론 결과가 특정 값으로 수렴할 경우, 추론 시간이 증가하여도 결과의 변화가 크지 않고, 이는 전력 낭비를 의미한다.본 논문에서는 전력 낭비를 줄이기 위해 추론 이미지 노출 시간을 조절하여 추론 시간을 단축하는 기법을 제안한다. 제안한 기법은 정확도의 변화를 반영하여 다음 추론 이미지 노출 시간을 계산한다. 추론 이미지 노출 시간을 순차적으로 증가시키는 Linear 기법은 목표 정확도에 해당하는 최적의 추론 이미지 노출 시간을 얻을 수 있지만, 최적의 추론 이미지 노출 시간을 얻기 위한 에너지 소모가 크다. 제안한 기법은 목표 정확도에 해당하는 추론 이미지 노출 시간이 Linear 기법보다 크지만 전체적인 에너지 소모는 작다. 또한, 제안한 기법의 성능을 측정하고 평가한 결과, 제안 기법을 적용한 추론 실험이 Linear 기법을 적용한 추론 실험보다 에너지 효율이 약 10배 향상된 것을 보여준다.
Neuromorphic architecture uses a Spiking Neural Network (SNN) model, and the more spike values are accumulated through inference experiments, the more accurate results are derived. When the inference result converges to a specific value, the change in the result is not large even if the inference time increases, which means power wasted.In this thesis, we propose a method to shorten the inference time by adjusting the inference image exposure time to reduce power consumption. The proposed method calculates the next inference image exposure time by reflecting the change in accuracy. The linear method that sequentially increases the inference image exposure time can obtain the optimal inference image exposure time corresponding to the target accuracy, but consumes a lot of energy to obtain the optimal inference image exposure time. In the proposed method, the inference image exposure time corresponding to the target accuracy is larger than that of the linear method, but the overall energy consumption is small. In addition, as a result of measuring and evaluating the performance of the proposed method, it is shown that the energy efficiency of the inference experiment applying the proposed method is about 10 times higher than that of the inference experiment applying the linear method.