스파이킹 신경망(Spiking Neural Networks, SNNs)은 이벤트 기반 연산과 생물학적으로 영감을 받은 동역학 덕분에 에너지 효율적인 추론에 매력적인 프레임워크를 제공합니다. 하지만 SNN의 효율적인 하드웨어 구현은 여전히 어렵습니다. 그 이유는 뉴런 계산이 상당한 전력 및 면적 비용을 발생시키며, 정밀도가 적절하게 관리되지 않을 경우 제어되지 않은 근사 산술(approximate arithmetic)이 순환 상태 업데이트를 불안정하게 만들 수 있기 때문입니다. 이러한 문제들을 해결하기 위해 본 논문은 ReSCom이라는 재구성 가능한 SNN 가속기를 제시합니다. ReSCom은 확률적 컴퓨팅(stochastic computing)을 활용하여 하드웨어 복잡도를 줄이는 동시에 안정적인 추론을 유지합니다. 제안된 아키텍처는 뉴런 동역학의 곱셈 연산에 확률적 산술을 사용하며, 정확한 고정 소수점 덧셈/뺄셈 연산은 보존합니다. 이러한 확률적 전략은 정확도(accuracy), 지연 시간(latency), 에너지 소비 간의 런타임 트레이드오프를 가능하게 합니다. 통합된 재구성 가능한 뉴런 설계는 단일 하드웨어 프레임워크 내에서 Integrate-and-Fire (IF), Leaky Integrate-and-Fire (LIF), 그리고 시냅스 뉴런 모델을 지원합니다. Xilinx Artix-7 FPGA에서 MNIST 추론에 대한 실험 결과는 ReSCom이 $100~ ext{MHz}$에서 이미지당 단지 $0.05~ ext{mJ}$의 작동 에너지 소비로 $92.80 ext{%}$의 분류 정확도를 달성하여, 최근 최첨단 구현들의 에너지 효율성을 능가함을 보여줍니다. 더욱이, 확률적 비트 스트림 길이(stochastic bit-stream length)를 관리함으로써 목표 애플리케이션 제약 조건을 충족하기 위해 정확도-지연 시간-에너지 트레이드오프를 명시적으로 동적으로 제어할 수 있습니다.