정보통신대학원 세미나를 소개합니다.



이번 세미나는 온라인(한국어 강의)으로 진행 되며, 학부생, 대학원생, 교직원 누구나 참여 가능합니다.




▶▶세미나5-정보통신대학원 세미나 2022년 2학기




아날로그 연산기 기반의 학습가능한 신경망



손현우 교수



경상국립대학교





초록
AI 알고리즘의 발전과 함께 IoT를 위한 에너지 효율적인 AI 하드웨어의 필요성이 증가하고 있다. 최근 BinaryNet 알고리즘을 이용하여 추론 과정에서 더 높은 효율을 위한 아날로그 연산기 기반의 하드웨어 가속기 [1] 가 제안되었지만, 학습과 추론이 가능한 AI 하드웨어는 여전히 상대적으로 높은 정확도의 곱셈과 함께 복잡한 학습 과정을 필요로 한다. 또한 인 메모리 하드웨어 구조는 적은 데이터 이동 및 대규모 병렬 동작으로 인하여 높은 에너지 효율과 낮은 지연 시간을 달성할 수 있지만, 아날로그 연산 특성 때문에 PVT 변화에 취약하여 오프라인으로 학습된 가중치를 사용시 상당한 성능저하를 유발할 수 있다. 최근 보고된 온칩 학습 가능한 오토인코더 [2] 와 서포트 벡터 머신 (SVM) [3] 은 소프트웨어로 입증된 AI 알고리즘의 아날로그 연산이 온칩 학습에 성공적으로 사용될 수 있음을 보여주었지만, 단일 오토인코더 유닛 또는 단일 레이어의 SVM으로 응용이 제한되었다. 본 논문 [4] 은 다층 신경망의 학습을 위해 널리 사용되는 오류 역전파 알고리즘을 수행하는 신경망 시스템을 제안한다 (그림. 1). 제안된 시스템의 한 구성 단위로서, 전류형 곱셈누적 연산 (MAC) 프로세서는 병렬 MAC연산으로 순전파 및 역전파를 모두 수행한다. 지도 학습을 위해, 제안된 시스템은 28nm CMOS 기술로 제작된 두 개의 프로세서 칩과 FPGA를 사용하여 두 레이어의 신경망에서 검증되었다. 제안된 시스템은 아날로그 기반 MAC을 위한 보정 회로 없이 동일한 아날로그 기반 MAC을 통해 학습 데이터를 학습함으로써 칩 대 칩 변화 및 아날로그 동작의 불완전성을 보상하였다. 제안된 시스템은 1-b (+1, 0, -1) 배치 업데이트를 사용하여 22×22의 사이즈로 조정된 MNIST 데이터 셋의 분류에서 약 97%의 인식률을 달성하였다.





＊일시 11월 11일 (금), 16시~

＊ZOOM https://handong.zoom.us/j/86244954271 (온라인으로만 진행됩니다.)

＊회의ID 862 4495 4271

＊문의 4단계 BK21 AI사업단 (260-3150)