심층 신경망 (Deep Neural Networks)과 같은 복잡한 알고리즘이 자원이 제한된 임베디드 플랫폼에 점점 더 많이 배포되고 있습니다. 그러나 이러한 모델을 엣지 (Edge)에서 구현하기 위한 기존의 하드웨어 및 소프트웨어 방식은 특히 의료 기기와 같은 안전 필수 (Safety-critical) 애플리케이션에서 한계를 보입니다. 첫째, GPU, NPU, TPU와 같은 하드웨어는 보안을 위한 계산의 정확성보다는 처리량 (Throughput)에 초점을 맞추어 설계되었으며, 이로 인해 결함 주입 공격 (Fault injection attacks)에 취약합니다. 둘째, 알고리즘을 엣지 장치로 이식하기 위해 설계된 소프트웨어 방식(예: 양자화 (Quantization) 방식)은 정적이고 건전하지만(Static and sound, 최적화되지 않은 전력 소비), 동적이지만 건전하지 않은(Dynamic yet unsound, 안전 필수 애플리케이션에 최적화되지 않음) 특성을 가집니다. 이러한 두 가지 요구사항을 모두 해결하기 위해, 우리는 실시간, 동적 및 건전한 양자화(Sound quantization)를 위한 완전히 새로운 접근 방식과 이를 지원하는 하드웨어를 제안합니다. 먼저, 우리는 가장 중요한 비트 (MSB, Most Significant Bits)를 먼저 전달하는 좌측-우측 산술 (Left-to-right arithmetic)을 활용하여 건전하고 실시간인 적응형 정밀도 양자화 (Adaptive-precision quantization) 방식을 개발했습니다. 이는 결정 경계 (Decision-boundary) 교차 위험을 정량화하고 관리하기 위해 민감도 분석 (Sensitivity analysis)을 수행하는 동시에 온라인으로 정밀도를 동적으로 조정합니다. 다음으로, 우리는 MSB를 먼저 생성하기 위해 좌측-우측 산술을 수행하는 Systolic Array를 활용한 새로운 하드웨어 접근 방식을 제안합니다. 이를 통해 엣지에서의 자원 효율적인 신경망 및 인공지능뿐만 아니라, 가장 중요한 비트에 대한 비트 플립 공격 (Bit flip attacks)에 대한 회복탄력성을 보장하는 하드웨어 상에서 광범위하게 건전하고 자원 효율적인 고정밀 수학을 가능하게 하는 완전히 새로운 체계를 제공합니다. 본 연구는 진행 중인 작업 (Work-in-progress)으로 제시되며, 소프트웨어 구현은 완료되었고 하드웨어는 진행 중입니다.