일반 행렬 곱셈 (General matrix multiply, GEMM)은 현대 머신러닝 (ML) 워크로드의 실행 시간과 에너지 소비 모두에서 지배적인 비중을 차지하며, 하드웨어 효율성에 점점 더 큰 압박을 가하고 있습니다. 양자화 (Quantization)가 연산 및 데이터 이동 비용을 완화해주기는 하지만, 학습 (Training)과 같이 정확도에 민감한 작업은 여전히 더 높은 정밀도의 부동 소수점 (Floating-point) 형식을 필요로 합니다. 기존의 부동 소수점 GEMM 가속기들은 동작 주파수 (Operating frequency), 산술 활용도 (Arithmetic utilization), 그리고 버퍼링 오버헤드 (Buffering overhead) 사이에서 트레이드오프 (Trade-off) 문제에 직면해 있습니다. 본 연구에서는 부동 소수점 연산 장치 (Floating-point unit, FPU) 파이프라인 레지스터를 버퍼로 재사용함으로써 높은 활용도, 낮은 오버헤드, 그리고 빠른 동작 주파수를 동시에 달성하는 확장 가능한 외적 (Outer-product) 엔진인 O-POPE를 제안합니다. 이 솔루션은 출력 고정형 (Output-stationary) 외적 실행의 데이터 재사용 이점을 활용하며, 12 nm FINFET 기술에서 2048-MACs 구성 기준 2% 미만의 버퍼 면적으로 1 GHz (0.72 V) 동작을 가능하게 합니다. 평가 결과, O-POPE는 최첨단 부동 소수점 GEMM 가속기들과 비교했을 때 최대 99.97%의 FPU 활용도를 달성하였으며, 성능 (1.33배), 성능 밀도 (Performance density) 9% 향상, 그리고 에너지 효율 (Energy efficiency) 8% 향상을 보여주었습니다.