엣지 디바이스에서의 실시간 EEG (뇌파) 분류는 기존 신경망의 부동 소수점 연산(floating-point arithmetic)으로 인해 병목 현상이 발생합니다. 본 연구에서는 모델을 비트 연산(bitwise) CPU 연산을 통해 실행 가능한 순수 불리언 회로(Boolean circuits)로 컴파일하는 하드웨어 네이티브 대안으로서 미분 가능한 논리 게이트 네트워크 (Differentiable Logic Gate Networks, Diff-Logic)를 조사했습니다. 이진 치매 탐지 및 3클래스 감정 인식이라는 두 가지 분류 작업을 아우르는 4개의 EEG 데이터셋에 대해 엄격한 등매개변수(iso-parameter) 실험을 수행하였으며, 4가지 복잡도 단계(50k-500k 파라미터)에서 Diff-Logic을 동일한 용량의 다층 퍼셉트론 (Multi-Layer Perceptron, MLP) 및 이진 신경망 (Binarized Neural Network, BNN) 베이스라인과 비교했습니다. 치매 선별 검사에서 Diff-Logic은 80.2%의 Macro F1을 달성하여 MLP 베이스라인보다 6.8% 높은 성능을 보였습니다. 감정 인식의 경우, MLP가 중간 정도의 성능 우위를 유지했으나, 전력 제한(7W) 환경의 Nvidia Jetson Orin Nano CPU (Single-core)에 배포했을 때 MLP는 2.3배 더 높은 지연 시간(latency)과 14배 더 큰 모델 크기를 기록했습니다. 결정적으로, Diff-Logic의 추론 시간은 모델 규모가 10배 증가해도 거의 일정하게 유지되었으며, 가장 큰 복잡도 단계에서 MLP 대비 최대 2.9배의 속도 향상을 달성했습니다. 우리의 결과는 논리 기반 신경망 아키텍처가 자원 제한적인 뇌-컴퓨터 인터페이스 (Brain-Computer Interfaces, BCI)를 위한 실용적인 패러다임임을 입증하며, 휴대용 엣지 배포의 지연 시간 및 메모리 제약 조건을 네이티브하게 충족하면서도 경쟁력 있거나 우수한 성능을 달성합니다. 코드는 GitHub에서 확인할 수 있습니다: https://github.com/Shyamal-Dharia/eeg-difflogic