스핀트로닉 DCGAN 기반 이미지 합성

생성적 적대 신경망(GAN)은 기존 폰 노이만 아키텍처의 연산 한계를 초과하므로, 뉴로모픽 스핀트로닉스와 같은 에너지 효율적인 대안이 필요합니다. 본 연구는 합성 이미지 생성을 위한 하이브리드 CMOS-스핀트로닉스 심층 컨볼루션 GAN(DCGAN) 아키텍처를 제안합니다. 제안된 모델은 생성자와 판별자의 적대적 학습이라는 표준 프레임워크를 따르며, 역컨볼루션, 컨볼루션 및 활성화와 같은 핵심 DCGAN 연산은 스핀트로닉스 하드웨어 프리미티브를 사용하여 구현됩니다. 특히, 생성자의 역컨볼루션 레이어는 제로 패딩 컨볼루션으로 재구성되어 6비트 스커미온 기반 시냅스와 원활하게 통합되며, 경쟁력 있는 학습 성능을 보입니다. 비선형 활성화 함수는 하이브리드 CMOS 도메인 벽 기반 ReLU 및 Leaky ReLU 유닛을 사용하여 구현됩니다. 제안된 튜너블 Leaky ReLU는 도메인 벽 위치 코딩, 연속 저항 상태 및 병렬 MTJ 판독 기능을 갖춘 조각별 단축 포물선 이방성 프로파일을 특징으로 하며, 0.192 pJ의 에너지 소비를 보입니다. 스핀트로닉스 DCGAN 모델은 그레이스케일 및 컬러 데이터셋 모두에서 적응성을 입증했습니다. Fashion MNIST 데이터셋에서 27.5, CelebA 데이터셋에서 22.79의 FID(Fréchet Inception Distance)를 달성했으며, 테스트 에너지(학습 에너지)는 각각 4.9 nJ(14.97 nJ/이미지) 및 24.72 nJ(74.7 nJ/이미지)였습니다. 이는 스핀트로닉스 기반 뉴로모픽 컴퓨팅이 차세대 이미지 합성 기술의 핵심이 될 잠재력을 보여줍니다.