정적 랜덤 액세스 메모리(SRAM) 기반 디지털 연산-메모리 내 컴퓨팅(DCIM)은 가산기 트리의 상당한 전력 오버헤드를 대가로 오류 복원력이 높은 연산을 제공한다. 최근의 연구들에서는 근사 컴퓨팅을 기반으로 한 DCIM 매크로를 통해 가산기 트리 오버헤드를 완화했으나, 전력과 신경망(NN) 정확도 사이의 상충관계에 직면한다. 이 상충관계는 배열 수준 CIM 아키텍처에서는 NN 모델의 출력 채널들이 근사 오차에 대해 서로 다른 민감도를 갖기 때문에 더욱 복잡해진다. 본 논문에서는 특정 NN 모델에 대해 양호한 에너지-정확도 상충관계를 달성하는 이질적(heterogeneous) 근사 DCIM 기반 가속기 설계 프레임워크를 제안한다. 해당 프레임워크는 세 가지 핵심 기능을 포함한다. 1) 진화 알고리즘 기반 탐색은 설계 공간을 가지치기(pruning)하여 비용 효율적인 근사 지점을 찾는다. 2) 유전 알고리즘 기반 채널별 매핑은 DCIM의 에너지 소비를 효과적으로 줄이면서도 높은 정확도를 유지하는 이질적 근사 방법을 생성한다. 3) 하드웨어 생성 전략은 DCIM 매크로의 개수와 크기를 결정하여, 주어진 NN 모델에 맞춘 에너지 효율적인 DCIM 기반 가속기를 산출한다. 실험 결과는 제안된 이질적 채널별 매핑을 적용할 때 동질적(homogeneous) 매핑에 비해 에너지 효율이 유의미하게 향상됨을 보여준다. 또한 제안된 프레임워크는 최신의 근사 DCIM 접근법보다 더 적은 에너지를 소비하는 이질적 DCIM 기반 가속기를 생성할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.