라디오 내 추론 유지: mmWave ISAC 활동 인식용 스파이킹 가속기 설계 및 측정

원문 발행 2026. 10. 28. 01:07원문 언어 영어AI 한국어 번역arXiv cs.AR 원문 보기

요약

본 연구는 전력 제약 환경에서 무선 네트워크 활동 인식을 위해 스파이킹 신경망(SNN) 가속기를 설계하고 측정했습니다. 오픈 소스 Spiker+ 프레임워크를 활용하여 ZCU208 RFSoC에 SNN을 구현, 마이크로 도플러 기반 활동 인식 체인을 완성했습니다. 이 시스템은 높은 정확도를 유지하면서도 기존 방식 대비 월등히 낮은 동적 에너지 소비 효율성을 입증했습니다.

핵심 포인트

SNN 가속기를 활용하여 전력 소모가 적은 항상 작동(always-on) 감지 기능을 구현함.
ZCU208 RFSoC에 SNN을 성공적으로 구현하고, 마이크로 도플러 활동 인식을 수행함.
94.7%의 높은 정확도를 달성했으며, 추론 시간을 206 마이크로초로 기록함.
기존 네트워크 대비 낮은 동적 에너지와 우수한 전력 효율성을 입증함.

통합 감지 및 통신(Integrated sensing and communication)은 수신기(receiver)가 어차피 계산하는 채널 추정치로부터 무선 네트워크가 인간 활동을 인식할 수 있게 합니다. 그러나 이 추론(inference)은 기지국(base station), 액세스 포인트(access point) 또는 핸드셋의 범용 프로세서에서 실행되는데, 이는 장치가 전력을 절약하기 위해 가장 먼저 끄는 구성 요소입니다. 따라서 항상 켜져 있는(always-on) 감지 기능은 시스템의 나머지 부분이 잠들어 있는 동안에도 전원이 공급될 수 있을 만큼 충분히 작은 분류기(classifier)를 필요로 합니다.

우리는 스파이킹 신경망(Spiking Neural Networks, SNNs)이 그러한 분류기를 제공할 수 있는지 조사합니다. 이를 위해 우리는 오픈 소스 Spiker+ 프레임워크를 사용하여 공개 DISC 데이터셋(IEEE 802.11ay at 60 GHz)의 마이크로 도플러 활동 인식용 SNN 가속기를 생성하고, 스파이크 인코더와 함께 ZCU208 RFSoC에 구현하여, 마이크로 도플러 프레임부터 활동 레이블까지 전체 체인이 프로그래밍 가능한 로직에서 실행되도록 합니다. 뉴런 132개로 구성된 완전 연결(fully connected) SNN은 보지 못한 피험자(unseen subjects)에게서 94.7%의 정확도(macro-F1 기준 90.7%)를 달성하며, 추론을 206 마이크로초 만에 수행합니다.

동일한 장치에서 같은 토폴로지(topology)를 가진 기존 네트워크와 비교했을 때, 이는 유사한 정확도에서 더 적은 논리 자원과, 동일한 이진 스파이크(binary spikes)가 공급된 네트워크보다 결정당 3.4배 낮은 동적 에너지(dynamic energy)를 요구하며, 1.2 포인트 낮은 정확도를 가진 16비트 스펙트로그램이 공급된 네트워크보다도 7.6배 적은 에너지를 사용합니다. 양자화 인식 학습(Quantization-aware training)을 통해 가중치를 3비트로 줄였음에도 불구하고, 동일한 인코더 임계값에서 6비트 네트워크와 오차 범위가 반 퍼센트 포인트 이내를 유지했습니다.

AI 자동 생성 콘텐츠

원문 바로가기

라디오 내 추론 유지: mmWave ISAC 활동 인식용 스파이킹 가속기 설계 및 측정

요약

핵심 포인트

댓글