Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 공유 정수 행렬 엔진을 활용하여 CNN과 지역 보조 분류기를 학습시키는 FPGA 시스템을 제안합니다. 이 시스템은 200 MHz에서 CIFAR-10 및 SVHN 데이터셋에서 높은 정확도를 달성하며, Jetson Orin Nano 대비 학습 에너지를 크게 절감하는 효율성을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기로컬 학습(Local learning)은 레이어 간의 학습 의존성을 줄이지만, 효율적인 가속기는 여전히 연산자(operands)를 유지하고, 기울기(gradients)를 누적하며, 양자화 스케일(quantization scales)을 선택해야 합니다. 우리는 공유 정수 행렬 엔진(shared integer matrix engine)을 사용하여 CNN과 그 지역 보조 분류기(regional auxiliary classifiers)를 학습시키는 FPGA 시스템을 제시합니다. 축소된 오차는 칩에서 확장되고, 기울기는 타일별로 접히며(folded), 기록된 스케일은 직접적인 출력 변환을 가능하게 합니다. 200 MHz에서 KV260 프로토타입은 CIFAR-10에서 76.57%의 정확도를, SVHN에서 91.85%의 정확도를 약 4.20 W의 평균 모듈 전력으로 달성합니다. 각각의 유효 행렬 처리량(Effective matrix throughput)은 31.22 및 31.57 GMAC/s입니다. Jetson Orin Nano에서 측정된 동일한 정수 방식과 비교했을 때, 학습 에너지는 각각 40.4%와 42.1% 낮았으며, 실행 시간은 $1.86 imes$ 및 $1.82 imes$ 더 길었습니다. 측정에는 각 플랫폼의 전력 도메인(power domains)이 사용되었습니다. 선택된 상태 확인(state checks)과 전체 실행 예측 카운트 일치(matching complete-run prediction counts)는 소프트웨어 참조와 기능적 일치성을 지원합니다.