CNN-LSTM 하이브리드 모델을 이용한 우울증 감지를 위한 에너지 효율적인 메모리스터 가속기

요약

기존 CPU 및 GPU 기반의 CNN-LSTM 추론은 높은 지연 시간과 에너지 소비가 문제입니다. 본 논문은 이를 해결하기 위해 ReRAM을 활용한 통합형 인메모리 처리 가속기를 제안합니다. 이 아키텍처는 컨볼루션, 순환, 어텐션 단계를 하나의 교차바에 통합하여 데이터 이동을 최소화하며, CPU 대비 지연 시간 32.1배, 에너지 소비 약 160배 감소를 달성했습니다.

핵심 포인트

• ReRAM 기반 인메모리 가속기를 통해 CNN-LSTM 워크로드를 효율적으로 처리합니다.
• 컨볼루션, 순환, 어텐션을 단일 교차바에 통합하여 데이터 이동을 최소화했습니다.
• 실험 결과, CPU 대비 지연 시간은 32.1배, 에너지 소비는 약 160배 감소했습니다.
• 이 아키텍처는 우울증 감지 등 오디오/음성 분석 분야의 효율성을 높입니다.