복수의 노드(node) 및 상기 복수의 노드를 연결하는 복수의 엣지(edge)로 구성된 신경 구조(neural architecture)를 입력 받고, 그래프 합성곱 신경망(convolutional neural network)을 통해 상기 복수의 노드에 대응되는 복수의 벡터로 변환하고, 상기 복수의 벡터를 잠재 벡터(latent vector)로 변환하는 인코딩 처리부; 및상기 변환된 잠재 벡터를 입력 받고, 그래프 순환 신경망(recurrent neural network, RNN)을 통해 상기 입력된 잠재 벡터를 하드웨어 구조로 변환하는 디코딩 처리부를 포함하고,상기 인코딩 처리부는 적어도 하나의 그래프 합성곱(convolution)층을 이용하여 상기 복수의 벡터를 복수의 임베딩 벡터로 변환하고, 리드 아웃(readout)층을 이용하여 상기 복수의 임베딩 벡터를 고정 길이의 벡터로 변환 및 블록으로 누적하여 상기 잠재 벡터로 변환하는 것을 특징으로 하는하드웨어 구조 설계 장치.

삭제

제1항에 있어서,상기 인코딩 처리부는 상기 신경 구조를 구성하는 활성 텐서(activation tensor)가 상기 복수의 노드이고, 상기 복수의 노드를 각각 연결하는 연산자(operator)가 엣지(edge)로 구성됨에 따라 상기 활성 텐서에 대한 정보를 상기 복수의 벡터로 치환하는 것을 특징으로 하는 하드웨어 구조 설계 장치.

제1항에 있어서,상기 디코딩 처리부는 상기 그래프 재귀 신경망에서 그래프 재귀 신경층의 히든 벡터를 이용하여 상기 잠재 벡터를 구성하는 복수의 블록을 순차적으로 상기 하드웨어 구조의 노드와 엣지로 생성하여 상기 잠재 벡터를 상기 하드웨어 구조로 변환하는 것을 특징으로 하는 하드웨어 구조 설계 장치.

제1항에 있어서,상기 신경 구조는 복수의 활성 텐서(activation tensor)에 해당하는 상기 복수의 노드와 복수의 연산자(operator)에 해당하는 상기 복수의 엣지를 포함하고,상기 연산자는 제로화(zeroize), 건너뛰기(skip), 평균 풀링(average pooling) 및 표준 합성(standard convolution) 중 적어도 하나를 포함하며,상기 하드웨어 구조는 버퍼(buffer), 레지스터(register), DSP(digital signal processor) 및 연산기로 구성되는 복수의 노드와 상기 복수의 노드를 연결하는 엣지를 포함하는 것을 특징으로 하는 하드웨어 구조 설계 장치.

제1항에 있어서,상기 인코딩 처리부는 맞춤형 AI(artificial intelligence) 반도체의 하드웨어 구조를 고려하여 상기 잠재 벡터를 변환하고,상기 디코딩 처리부는 상기 그래프 순환 신경망를 통해 상기 맞춤형 AI 반도체의 하드웨어 구조로 상기 잠재 벡터를 변환하는 것을 특징으로 하는 하드웨어 구조 설계 장치.

인코딩 처리부에서, 복수의 노드(node) 및 상기 복수의 노드를 연결하는 복수의 엣지(edge)로 구성된 신경 구조(neural architecture)를 입력 받고, 그래프 합성곱 신경망(convolutional neural network)을 통해 상기 복수의 노드에 대응되는 복수의 벡터로 변환하고, 상기 복수의 벡터를 잠재 벡터(latent vector)로 변환하는 단계; 및디코딩 처리부에서, 상기 변환된 잠재 벡터를 입력 받고, 그래프 순환 신경망(recurrent neural network, RNN)을 통해 상기 입력된 잠재 벡터를 하드웨어 구조로 변환하는 단계를 포함하고,상기 그래프 합성곱 신경망(convolutional neural network)을 통해 상기 복수의 노드에 대응되는 복수의 벡터로 변환하고, 상기 복수의 벡터를 잠재 벡터(latent vector)로 변환하는 단계는,적어도 하나의 그래프 합성곱(convolution)층을 이용하여 상기 복수의 벡터를 복수의 임베딩 벡터로 변환하고, 리드 아웃(readout)층을 이용하여 상기 복수의 임베딩 벡터를 고정 길이의 벡터로 변환 및 블록으로 누적하여 상기 잠재 벡터로 변환하는 단계를 포함하는 것을 특징으로 하는하드웨어 구조 설계 방법.

삭제

제7항에 있어서,상기 변환된 잠재 벡터를 입력 받고, 그래프 순환 신경망(recurrent neural network, RNN)을 통해 상기 입력된 잠재 벡터를 하드웨어 구조로 변환하는 단계는,상기 그래프 순환 신경망에서 그래프 재귀 신경층의 히든 벡터를 이용하여 상기 잠재 벡터를 구성하는 복수의 블록을 순차적으로 상기 하드웨어 구조의 노드와 엣지로 생성하여 상기 잠재 벡터를 상기 하드웨어 구조로 변환하는 단계를 포함하는 것을 특징으로 하는 하드웨어 구조 설계 방법.

제7항에 있어서,상기 그래프 합성곱 신경망(convolutional neural network)을 통해 상기 복수의 노드에 대응되는 복수의 벡터로 변환하고, 상기 복수의 벡터를 잠재 벡터(latent vector)로 변환하는 단계는,맞춤형 AI(artificial intelligence) 반도체의 하드웨어 구조를 고려하여 상기 잠재 벡터를 변환하는 단계를 포함하고,상기 변환된 잠재 벡터를 입력 받고, 그래프 순환 신경망(recurrent neural network, RNN)을 통해 상기 입력된 잠재 벡터를 하드웨어 구조로 변환하는 단계는,상기 그래프 재귀 신경망를 통해 상기 맞춤형 AI 반도체의 하드웨어 구조로 상기 잠재 벡터를 변환하는 단계를 포함하는 것을 특징으로 하는하드웨어 구조 설계 방법.