Long Short-term Memory Networks (LSTMs)는 임베디드 장치에서 로컬 센서 데이터 스트림에 대한 시계열 분석(time series analysis)을 수행하는 데 필수적인 딥러닝 기법입니다. 본 연구에서는 이러한 LSTM 연산을 위해 리소스가 제한적인 임베디드 Field Programmable Gate Arrays (FPGAs)에 특화된 새로운 하드웨어 가속기 설계를 제안합니다.

제안된 아키텍처의 핵심 강점은 높은 에너지 효율성과 유연성입니다. 먼저, 이 설계는 기존 관련 연구 대비 실행 속도를 향상시키고 전력 소비를 크게 줄였습니다. 더 중요한 점은, 다양한 최적화 파라미터를 활용하여 여러 상황에 맞게 설정을 조정할 수 있다는 것입니다. 예를 들어, 디지털 신호 처리기(DSPs)의 사용 여부나 특정 활성화 함수(activation functions)의 구현 방식을 변경함으로써 시스템 요구사항 변화에 유연하게 대응할 수 있습니다.

저희는 핵심적인 설계 결정 사항들을 상세히 제시하고 성능을 평가했습니다. 그 결과, 제안된 가속기는 실제 추론 환경에서 32873 samples/s라는 높은 샘플 속도를 유지하면서도 11.89 GOP/s/W에 달하는 뛰어난 에너지 효율성을 입증하였습니다. 이는 임베디드 기기에서의 실시간 AI 구동을 목표로 하는 개발자들에게 매우 중요한 지표가 될 것입니다. 이 가속기는 제한된 전력과 자원을 가진 엣지 디바이스(Edge Devices)의 온보드(on-board) AI 구현에 최적화되어 있습니다.