PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19964v1cs.LG

엣지(Edge)에서의 Tsetlin Machine 추론을 위한 저전력 축소형 RISC-V 명령어 부분집합 프로세서

Low-Energy Reduced RISC-V Instruction Subset Processor for Tsetlin Machine Inference at the Edge

Tsetlin Machine(TM)은 간단한 비트 연산과 유한 상태 오토마타(finite-state automata)에 의존하는 논리 기반 머신러닝 접근 방식으로, 엣지 AI 배포에 매력적입니다. 최근 연구는 Tsetlin Machine(TM) 기반의 코프로세서 및 가속기 설계에 집중해 왔습니다. 이러한 설계들은 높은 성능을 달성하지만, 일반적으로 긴밀하게 결합된 인터페이스, 마이크로코드 스타일 프로그래밍, 외부 호스트 프로세서에 의존하여 유연성과 프로그래밍 용이성을 제한합니다. 본 연구에서는 TM 추론에 맞춤화된 도메인 특화 RISC-V 마이크로프로세서 아키텍처와 설계 플로우를 제안합니다. RISC-V의 모듈형 구조를 활용하여, TM 워크로드에 대해 성능 향상과 낮은 에너지 소비를 목표로 하면서 프로그래밍 가능성을 유지하는 축소형 명령어 부분집합 프로세서를 설계했습니다. 명령어 프로파일링(profiling)을 사용하여 명령어 축소를 안내하고, 이어 TM 추론에 맞춘 데이터 경로와 제어 경로 단순화가 수행됩니다. 기준선(baseline)인 RV32IM 코어와 제안된 축소형 코어는 여러 데이터셋에서 평가되며, 추론 중 비트 연산에 의존하기 때문에 하드웨어 효율적인 기준선(baseline) 역할을 하는 이진화 신경망(BNN)과 비교됩니다. 결과는 TM이 여러 데이터셋에서 실행 시간을 최대 98% 단축하면서도 비교 가능하거나 더 높은 정확도(예: CIFAR-2에서 BNN의 60.0%에 비해 최대 88.18%)를 달성함을 보여줍니다. 또한, 제안된 설계는 평균 $29.7\times$의 에너지 소비 감소를 달성하여, 프로그래밍 가능하고 효율적인 엣지 AI 시스템에 대한 효과를 입증합니다.

arXiv:2606.09946v2cs.AR

SPARX: 엣지 RISC-V SoC를 활용한 보안 및 프라이버시 인식 근사 CNN 가속

SPARX: Secure and Privacy-Aware Approximate CNN Acceleration with Edge RISC-V SoC

엣지 AI 시스템은 엄격한 에너지, 성능, 보안, 프라이버시 제약 조건 하에서 실시간 CNN 추론을 점점 더 요구하고 있습니다. 근사 컴퓨팅(approximate computing)은 신경망 워크로드의 오류 허용성(error resilience)을 활용하여 하드웨어 효율성을 향상시키지만, 대부분의 근사 CNN 가속기는 보안과 프라이버시 인식 엣지 배포를 동시에 고려하지 않습니다. 본 논문은 이종 RV32IMC RISC-V 시스템온칩(SoC)에 통합된 보안 및 프라이버시 인식 근사 CNN 가속 프레임워크인 SPARX를 제안합니다. SPARX는 사용자 정의 RISC-V 명령어 확장, 근사 로그 CNN 가속 유닛, 가벼운 차분 노이즈 기반 프라이버시 엔진, 그리고 챌린지-응답(challenge-response) 인증 메커니즘을 결합합니다. 산술 연산 선택을 안내하기 위해 근사 심각도 지수(Approximation Severity Index, ASI), 근사 효율성(Approximation Efficiency, AE), 근사 품질(Quality of Approximation, QoA), 근사 성능 지수(Approximation Figure-of-Merit, AFOM), 하드웨어 가속 효율성(Hardware Acceleration Efficiency, HAE)을 사용하는 근사 인식 결정 프레임워크를 도입했습니다. 11가지 최신 근사 MAC 아키텍처에 대한 평가 결과, 반복 로그 승수(Iterative Logarithmic Multiplier, ILM)가 가장 적합한 설계로 선정되었으며, 이는 정확한 radix-4 Booth MAC과 비교하여 면적을 51.7%, 전력을 81.5% 감소시키고 처리량을 2.13배 향상시키는 반면, ResNet-20/CIFAR-10 정확도는 2.82%p만 감소시켰습니다. Xilinx VC707 플랫폼에서의 FPGA 구현은 250 MHz에서 58.4 GOPS/W의 에너지 효율을 달성했으며, 28-nm CMOS 물리적 구현은 ASIC 실현 가능성을 검증했습니다.