심전도 (ECG)와 같은 생체 의학 신호의 지속적이고 장기적인 모니터링 및 진단은 증가하는 공중 보건 위협을 완화하는 데 도움이 될 수 있습니다. 합성곱 신경망 (CNN)과 같은 인공지능 (AI) 모델은 관련 질병에 대해 정확한 모니터링 및 분류를 제공하지만, 특히 엣지 (edge)의 자원 제한적인 환경에서는 기존 AI 하드웨어가 통상적으로 감당할 수 있는 것보다 더 많은 계산 자원을 필요로 합니다. 본 연구에서는 엣지 상의 바이오일렉트로닉 (bioelectronic) 시스템을 위한 에너지 효율적인 준-확률적 (quasi-stochastic) 시스톨릭 아키텍처 (systolic architecture)인 BenDi를 제시합니다. BenDi는 낮은 공급 전압, 준-확률적 곱셈을 위한 extunderscore{Ben}t-Pyramid 데이터 포맷, extunderscore{Di}P 시스톨릭 데이터플로우 (systolic dataflow), 그리고 하드웨어 인지 양자화 (hardware-aware quantization)를 포함하여 회로에서 소프트웨어 양자화 (quantization)에 이르는 다단계 에너지 및 전력 최적화를 활용함으로써, 제한된 하드웨어 예산 내에서 엣지에서 높은 정확도로 CNN을 처리합니다. 상용 22nm 공정을 사용한 하드웨어 구현 결과에 따르면, 0.5V 전압 및 100MHz에서 BenDi 아키텍처는 최첨단 이진 기반 가중치 고정 (weight-stationary) 시스톨릭 아키텍처와 비교하여 면적은 3.35배 작고 에너지 효율은 5배 더 높음을 보여줍니다. 바이오일렉트로닉 엣지 시스템과 관련하여, BenDi는 기존 대응 기술들과 비교했을 때 에너지 효율에서 10배(an order-of-magnitude)의 개선을, 면적 효율에서 또 다른 10배의 개선을 달성했습니다. 이러한 상당한 개선은 32비트 부동 소수점 (floating-point) 포맷을 사용하는 기존 컴퓨팅과 비교했을 때, MIT-BIH 및 Apnea-ECG 벤치마크에서 각각 1%에서 3.3%의 정확도 손실을 대가로 이루어집니다.