스마트워치, IoT 노드, 지능형 센서와 같은 자원 제한 환경에서 딥 뉴럴 네트워크(DNN)를 배치하는 일은 메모리, 연산 능력, 에너지 예산의 제약으로 인해 상당한 어려움을 수반한다. 본 논문은 모델 압축, 컴파일러 최적화, 하드웨어–소프트웨어 공동 설계에 초점을 맞추어 엣지 플랫폼에서 DNN 추론을 가속하기 위한 최근의 발전을 포괄적으로 검토한다. 다양한 기법에 걸쳐 지연, 에너지, 정확도 사이의 상충관계를 분석하고, 실제 기기에서의 적용을 위한 실용적 배치 전략을 제시한다. 특히, 기존 프레임워크를 그 아키텍처 목표와 적응 메커니즘에 따라 분류하고, 런타임 적응성과 하드웨어 인지 스케줄링과 같은 해결되지 않은 과제들을 논의한다. 본 검토는 효율적이고 확장 가능한 엣지 지능 솔루션의 개발을 안내하는 것을 목표로 한다.

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