이 연구는 순환 신경망에서 양자화된 상태를 다음 시점에 저장·반환하는 방식인 '순환 상태 라이트백'이 이후 계산에 미치는 영향을 형광수명영상(FLIM) 분석용 소형 GRU 인코더-디코더로 검증했다. 학습된 모델은 고정한 채 연속적 상태 전파를 결정론적 4비트 상태 저장으로 바꾸자, 형광수명 파라미터 τ1과 τ2의 추정 오차가 각각 약 70배, 300배로 급증했다. 이는 반복되는 작은 업데이트가 쓰기 임계값을 넘지 못해 저장된 상태가 거의 고정되는 반면 네트워크는 계속 변화를 제안하기 때문에 발생하며, 오차 피드백·잔차 메모리·방향 메모리를 도입하면 재학습 없이도 정확도를 회복할 수 있었다. 독립적으로 학습된 LSTM에서도 같은 실패가 재현됐고, 셀 상태가 은닉 상태보다 더 민감함이 드러났다.

• •순환 신경망의 상태 저장 방식(write-back)이 저정밀 추론의 핵심 실패 지점임을 규명
• •4비트 결정론적 상태 저장 시 τ1·τ2 추정 오차가 각각 약 70배, 300배 증가
• •오차 피드백·잔차 메모리·방향 메모리로 재학습 없이 정확도 회복 가능
• •LSTM에서도 동일 실패 재현, 셀 상태가 은닉 상태보다 더 취약함을 확인