근사 회로 설계를 위한 Transformer 기반 변이 연산자를 이용한 유전 프로그래밍 (Genetic Programming)
요약
본 논문은 근사 산술 회로의 자동 설계를 위해 Transformer 기반의 새로운 변이 연산자를 적용한 데카르트 유전 프로그래밍(CGP) 방식을 제안합니다. 제안된 하이브리드 방식은 진화 과정의 정체를 방지하며, 학습된 Transformer를 통해 기존 EvoApproxLib의 최적화된 설계보다 더 우수한 성능의 근사 곱셈기를 생성합니다.
핵심 포인트
- Transformer 기반 변이 연산자를 활용하여 유전 프로그래밍(CGP)의 진화 효율성을 개선함
- 진화 과정의 정체를 방지하기 위해 표준 변이 연산자와 제안된 연산자를 혼합한 하이브리드 방식을 도입함
- 수천 개의 CGP 염색체 데이터를 활용한 새로운 Transformer 학습 체계를 개발함
- 기존의 고도로 최적화된 근사 회로 라이브러리(EvoApproxLib)보다 뛰어난 성능 트레이드오프를 달성함
최근의 트렌드는 진화적 설계 (evolutionary design) 및 최적화 과정을 개선하기 위해 머신러닝 (machine learning) 모델을 활용하는 것입니다. 본 논문에서는 근사 산술 회로 (approximate arithmetic circuits)의 자동 설계를 위해 데카르트 유전 프로그래밍 (Cartesian Genetic Programming, CGP)을 위한 새로운 Transformer 기반 변이 연산자 (mutation operator)를 제안합니다. 우리는 회로 근사 과정의 정체 (stagnation)를 방지하기 위해, 제안된 변이 연산자를 표준 변이 연산자와 교체하여 사용하는 CGP를 위한 하이브리드 방식 (hybrid scheme)을 도입합니다. 또한 다양한 근사 곱셈기 (approximate multipliers)를 나타내는 수천 개의 CGP 염색체 (chromosomes)로 구성된 학습 벡터를 활용하는 기반 Transformer를 위한 새로운 학습 방식 (training scheme)을 개발합니다. 여러 목표 오차 제약 조건 (error constraints)에 대해, Transformer 기반 변이를 활용하여 CGP로 진화시킨 근사 곱셈기들은 최신 근사 회로 라이브러리인 EvoApproxLib에서 제공하는 고도로 최적화된 설계들보다 더 나은 트레이드오프 (trade-offs)를 달성합니다. 학습 및 진화 과정 모두 계산 집약적 (computationally demanding)이지만, 이는 기존의 근사 회로를 개선하고 잠재적으로 특허 가능한 새로운 회로 설계를 생성하기 위해 필요한 단계로 보입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기