엣지 분류기를 위한 RRAM 기반 방사 기저 함수 뉴런 하드웨어 구현
An RRAM-based Hardware Implementation of a Radial Basis Function Neuron for Edge Classifiers
자원이 제한된 엣지 기기에 최신 머신러닝(ML) 솔루션을 배포하는 과정에서는 다양한 구현상의 과제가 부각됩니다. 이는 자율 주행 작업과 같이 안전이 중요한 요소를 포함하는 극한의 엣지 애플리케이션에서 특히 두드러집니다. 본 논문에서는 엣지 환경에서 거리(metric) 기반 분류 및 온라인 적응을 수행하기 위한 효율적인 하드웨어 기판으로서 금속 산화물 저항변화메모리(RRAM) 기반 아날로그 연관 메모리(ACAM)를 활용한 인공 신경망(ANN) 설계를 선보입니다. 제안된 설계는 ACAM 모듈을 구축하는 데 사용되는 커스텀 템플릿 픽셀(TXL) 셀을 기반으로 하며, 각 TXL 셀은 설정 가능한 수용야(receptive field) 뉴런 역할을 합니다. 이 셀들은 방사 기저 활성화 함수(RBF)를 사용하여 프로그래밍된 수용야와 입력 간의 거리를 계산합니다. TXL은 고차원 입력과 저장된 모든 프로토타입 간의 거리를 계산하기 위해 고집적 배열로 구성될 수 있어, 빠르고 에너지 효율적인 유사도 검색을 효과적으로 수행합니다. 이 하드웨어 엔진은 도메인 변화(domain shift)를 추적하도록 수용야 파라미터를 튜닝할 수 있는 실시간(on-the-fly) 학습을 가능하게 합니다. 제안된 TXL-RBF 분류기 시뮬레이션을 통해 10MHz에서 동작할 때 셀당 연산당 185fJ를 소비하면서 MNIST 데이터셋에서 89.1%의 정확도를 달성할 수 있음을 보입니다.