에너지 효율적인 FPGA 기반 GCN 추론을 위한 그래프 희소화 및 근사 컴퓨팅 공동 최적화

그래프 컨볼루션 네트워크(GCN)는 그래프 구조 데이터로부터 학습하는 강력한 프레임워크로 부상했지만, 희소 그래프 집계의 계산 및 메모리 요구 사항 때문에 자원 제약적인 엣지 플랫폼에 배포하는 것은 여전히 어렵습니다. 본 연구는 AMD Kria KV260 상에서 DSpar 그래프 희소화(graph sparsification), 8비트 양자화(quantization), 근사 승산기(approximate multipliers)를 결합한 FPGA 기반 GCN 가속기를 제시합니다. Cora, LastFM Asia, Amazon Photo 데이터셋으로 평가된 이 설계는 밀도가 크게 다른 그래프 전반에 걸쳐 희소화와 근사화 간의 상호 작용을 탐구합니다. 결과에 따르면, 근사 산술의 효과는 GCN 계산 내의 누적 깊이(accumulation depth)에 의해 결정됩니다. 근사 승산기는 희소 집계 연산에 적용될 때 가장 효과적이며, 그래프 희소화는 집계 깊이를 줄여 이들의 실현 가능성을 더욱 향상시킵니다. 결합된 접근 방식은 Amazon Photo에서 86.6%의 분류 정확도를 유지하면서 최대 9.88배의 속도 향상을 달성했으며, Cora에서는 77.0%의 정확도로 1.52배의 속도 향상을 달성했고, 전체 전력 소비는 1W 미만입니다. 이러한 결과는 그래프 희소화와 근사 컴퓨팅이 상호 보완적인 기술이며, 이들의 공동 최적화를 통해 엣지 FPGA 플랫폼에서 효율적인 저전력 GCN 추론이 가능함을 입증합니다.