1차년도 연구에서는 엣지 디바이스에 탑재된 하드웨어 가속기의 실행 재구성을 지원하기 위한 mechanism을 설계하고 구현함을 목표로 한다. 타겟 시스템은 컴퓨팅 파워가 낮고 IoT 디바이스로 널리 사용될 수 있는 임베디드 시스템이며 배터리나 태양광 등 안정적이지 않은 전력 공급원을 가지고 있는 환경에서 동작한다. 근사 컴퓨팅을 위해 하드웨어 가속기의 자원 사용량을 동적으로 변동시키기 위해서는 최초에 응용이 사용하기 시작한 하드웨어 명세의 내용이 실행 중에 재구성될 수 있어야 한다. 이를 위해 응용은 허용되는 최저 성능을 명세할 수 있어야 하며, 운영체제는 최저 성능을 만족시키면서 전력소모를 최소화하기 위해 하드웨어 자원을 관리해야 한다. 근사컴퓨팅 구현을 위해서, 하드웨어 가속기 관리자는 각 하드웨어 자원의 전력 소모 특성 및 정확도를 높이기 위한 노력(effort) 대비 자원의 필요량을 예측해야 하는데, 이 부분은 비선형적 관계를 가지기 때문에 간단히 구현되기 어렵다. 따라서 뉴로모픽 프로세서를 가속기로 사용할 경우, 정확도가 높아질수록 소모되는 에너지가 기하급수적으로 증가할 것으로 예상할 수 있다. 하드웨어 가속기 관리 자는 하드웨어 가속기 마다 다른 정확성과 에너지 소모 특성을 반영할 수 있도록 설계될 것이다. 2차년도에는 하드웨어 가속기를 이용하여 소모 전력 당 정확도 향상을 목표로 하는 스케줄러를 개발하고, 응용 프로그램에서 사용하는 하드웨어 가속기의 수나 종류를 변경할 수 있도록 지원하는 것을 목표로 한다. 응용프로그램의 하드웨어 가속기 사용 요청은 이를 처리하는 가속기 manager에전달되고, 가속기 manager는 요구 하드웨어와 메모리에 대한 정보를 이용하여 사용자가 요구하는 정확도를 달성하기 위한 전력 소모를 결정한다. 이 때 현재 사용 가능한 전력량을 고려하여 소모 전력 당 성능이 최대화되도록 실행 정책을 결정해야 하고, 사용자가 요구하는 정확도를 달성할 수 있는 지 사용자에게 피드백한다. 소모 전력은 사용하는 하드웨어 자원을 조정하여 수행 결과의 정확도와 trade-off 될 수 있다. 하드웨어 가속기를 이용하여 hidden layer의 뉴런 수를 증가시키면 AI 응요의 정확도를 증가시킬 수 있다. 반대로 전력이 부족한 경우 뉴런의 수를 줄여 사값(approximate value)을 구하고, 이로부터 절약된 하드웨어 자원의 전력 사용량을 감소시킬 수 있다. 3차년도에는 2차년도까지 완성된 하드웨어 가속기 지원 프레임워크에 할 실시간 제약조건을 만족시킬 수 있는 스케줄러 지원을 목표로 한다. 하드웨어 가속기의 경우 태스크의 요청이 발생하면 그 요청을 처리하기 위해 할당된 하드웨어 자원이 독점적으로 사용된다. 이러한 상황에 대한 기본적인 접근법은 하드웨어 가속기를 사용하는 태스크들을 자원을 공유하는 태스크들로 간주하여 스케줄링 하 는 것이다. HW 가속기를 완전한 비선점형 스케줄링 기법으로 스케줄하는 경우 우선순위 역전으로 인한blocking time이 너무 크기 때문에, 본 연구에서는 하드웨어 가속기를 사용하는 태스크의 수행을 partitioning 하여 부분적 비선점형 스케줄링 기법을 적용할 수 있도록 연구를 진행할 계획이다. 본 연구에서는 전력 소모를 함께 고려하기 때문에 기존 스케줄링 기법의 적용은 어려우며, 따라서 하드웨어 가속기 스케줄링에 적용할 새로운 스케줄러를 개발하여 운영체제에서 지원토록 한다.