다양한 영역에서 머신러닝 (ML) 기반 지능에 대한 수요가 끊임없이 증가함에 따라 GPU가 어디에나 존재하게 되었습니다. 동시에, GPU는 막대한 전력 소비로 악명이 높으며, 일반적인 ML 데이터 센터 (datacenter) 내 전력 할당의 대부분을 차지하곤 합니다. GPU 집합체에 집중하는 데이터 센터 수준의 전력 최적화 방식도 유망하지만, 본 연구에서는 다른 접근 방식을 취합니다. 즉, GPU 내부의 전력 소비를 더 자세히 살펴봅니다. 구체적으로, 현대의 GPU는 통합된 컴포넌트 (components)들로 구성되어 있으므로, 본 연구에서는 현대 GPU의 전력 관리를 개선하기 위해 'CompPow'라 명명된 컴포넌트 인식 (component-awareness) 방식의 필요성을 제기합니다. 우리는 다양한 ML 연산 및 실행 패턴에 대해 CompPow가 더 높은 에너지 효율 (10%)과 심지어 향상된 성능 (5%)을 제공할 잠재력이 있음을 입증합니다. 마지막으로, 컴포넌트 인식 소프트웨어-하드웨어 공동 설계 (software-hardware co-design)가 현대 GPU에서 어떻게 추가적인 에너지 효율을 추출할 수 있는지에 대한 권장 사항을 제시하며 결론을 맺습니다.