복소수 불확실성 추정 및 하드웨어 가속을 위한 BayesCVNN

요약

본 논문은 복소수 값을 다루는 작업에서 예측 불확실성을 정량화할 수 있는 새로운 접근 방식인 드롭아웃 기반 베이즈 복소수 신경망(BayesCVNNs)을 제안합니다. 기존 CVNN의 한계였던 불확실성 추정 기능을 추가하고, 복소수의 이중 구조를 활용한 자동 최적화 검색 기법을 도입했습니다. 나아가, BayesCVNN을 효율적으로 구현하기 위해 FPGA 기반 가속기 프레임워크를 제시하여, GPU 대비 높은 성능 향상(최대 13배)과 낮은 전력 소모를 동시에 달성했음을 입증합니다.

핵심 포인트

• 베이즈 복소수 신경망(BayesCVNNs)을 최초로 제안하여 복소수 애플리케이션에 불확실성 정량화 기능을 부여했습니다.
• 복소수의 실수/허수 성분 간의 결합 및 혼합(layer-mixing, part-mixing)을 자동 탐색하는 검색 기법을 도입하여 최적 설계를 찾았습니다.
• BayesCVNN 전용 FPGA 기반 가속기 프레임워크를 개발하여, GPU 대비 최대 13배의 속도 향상과 낮은 전력 소비를 달성했습니다.
• 자동화된 검색 및 하드웨어 공동 설계(Co-Design) 접근 방식을 통해 알고리즘적 성능과 구현 효율성을 동시에 극대화했습니다.