구조 건전성 모니터링과 같은 중요 인프라 분야에서 요구되는 위상 최적화(Topology Optimization)는 구조물의 무게를 최소화하면서도 하중 및 경계 조건을 만족시키는 최적의 재료 분포를 결정하는 핵심 계산 방법입니다. 특히 디지털 트윈(Digital Twin) 환경에서는 낮은 지연 시간과 높은 에너지 효율성이 필수적입니다.

전통적으로 위상 최적화는 유한 요소 해석(Finite Element Analysis, FEA)에 의존해 왔는데, 이는 계산 비용이 매우 높습니다. 최근 딥 신경망(Deep Neural Networks, DNNs)의 발전은 데이터 기반 대안을 제시하며 계산 시간을 크게 단축시켰으나, 이들 DNN 모델을 추론용 GPU(inference-class GPUs)에서 구현할 경우 높은 지연 시간과 낮은 에너지 효율성 문제가 발생했습니다.

본 연구는 이러한 한계를 극복하기 위해, 신경망 구조를 활용한 위상 최적화 네트워크인 CRONet을 AMD Versal AI Engine-ML (AIE-ML) 아키텍처에서 하드웨어 가속하는 방안을 제시합니다. 저희의 접근 방식은 AIE-ML 엔진이 가진 병렬성(parallelism)과 메모리 계층 구조(memory hierarchy)를 효율적으로 활용하여 다양한 신경망 연산자(neural network operators)의 실행을 최적화했습니다.

가장 중요한 기술적 진보는, 모든 중간 활성화 값(intermediate activations)과 네트워크 가중치(network weights)를 온칩(on-chip)에 완전히 배치함으로써 DRAM 의존성을 원천적으로 제거한 최초의 엔드투엔드 신경망 구현이라는 점입니다. 이는 데이터 이동으로 인한 병목 현상을 해소하고 전력 효율을 극대화합니다.

실험 결과는 이 아키텍처의 잠재력을 명확히 보여줍니다. 동일한 전력 예산(Nvidia T4)에서 비교했을 때, 본 구현은 최대 2.49배의 지연 시간 개선과 최대 4.18배의 에너지 효율성 개선을 달성했습니다. 이러한 결과는 Versal AIE-ML 기반 가속이 낮은 지연 시간 및 고효율 위상 최적화 시스템을 실현하는 데 매우 효과적임을 입증합니다.