3차원 뷰 재구성을 위한 AI 기반 접근법인 Neural Radiance Fields(NeRF)는 탁월한 성능을 보여 주었으며, 그 결과 다양한 분야에서 활발한 연구가 촉발되었다. 이에 따라 여러 고급 NeRF 모델이 등장했고, 온디바이스(on-device) 응용에서도 고도로 사실적인 장면 재구성을 위해 점차 NeRF를 채택하는 추세가 늘고 있다. 다양한 NeRF 모델의 출현과 함께, NeRF 기반 응용은 여러 NeRF 프레임워크를 활용하게 되었으며, 이를 효율적으로 지원할 수 있는 하드웨어의 필요성이 대두되었다. 그러나 기존 GPU는 이러한 온디바이스 응용이 요구하는 성능, 전력, 면적(PPA) 비용을 충족하지 못하거나 특정 NeRF 알고리즘에 특화되어 있어, 다른 NeRF 모델에 적용할 경우 효율이 낮아지는 문제가 발생한다. 이러한 한계를 해결하기 위해 본 연구에서는 에너지 효율적인 다목적 NeRF 가속기인 FlexNeRFer를 제안한다. FlexNeRFer의 향상을 가능하게 하는 핵심 구성 요소는 다음과 같다. i) 정밀도 스케일러블 MAC 어레이(정밀도 가변 MAC 배열)에서 다중 데이터플로우와 희소성을 지원하는 유연한 네트워크온칩(NoC), ii) 희소도 비율 및 정밀도 모드에 기반한 최적의 희소성 포맷을 이용한 효율적인 데이터 저장이다. FlexNeRFer의 효과를 평가하기 위해 28nm CMOS 기술을 사용하여 레이아웃 구현을 수행하였다. 평가 결과, FlexNeRFer는 GPU(즉, NVIDIA RTX 2080 Ti) 대비 에너지 효율에서 24.1~520.3배 향상을 보이면서 8.2~243.3배의 속도 향상을 달성하였다. 또한 최신형 NeRF 가속기(즉, NeuRex)와 비교해서는 에너지 효율에서 2.3~47.5배 향상을 보이면서 4.2~86.9배의 속도 향상을 입증하였다.

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