채널 추정은 5G 통신 네트워크에서 전송 매개변수를 최적화하고 신뢰성 있고 고속의 통신을 보장하기 위해 매우 중요합니다. 그러나 5G 네트워크에서 다중 입력 다중 출력 (MIMO) 및 밀리미터파 (mmWave) 를 사용하는 것은 제한된 하드웨어 플랫폼에서 엄격한 지연 시간 요구사항 하에서 정확한 추정을 달성하는 데 어려움을 줍니다. 이러한 과제를 해결하기 위해 우리는 하드웨어 친화적인 딥러닝 기반 채널 추정기와 전용 가속기를 통합한 SwiftChannel이라는 알고리즘-하드웨어 공동 설계 프레임워크를 제안합니다. 우리의 접근법은 파라미터 없는 attention 메커니즘이 강화된 합성곱 신경망 (CNN) 을 사용하며, 이는 저해상도 최소 제곱 (LS) 추정치에서 풀 해상도 공간 주파수 도메인 채널 행렬을 효과적으로 재구성합니다. 우리는 지식蒸馏 (knowledge distillation), 합성곱 재-파라미터화 (convolution re-parameterization), 양자화 인식 학습 (quantization-aware training) 을 결합한 다단계 모델 압축 파이프라인을 추가로 개발하여 상당한 모델 크기 감소와 미미한 정확도 손실을 얻었습니다. FPGA 플랫폼에서 고수준 합성 (High-level Synthesis, HLS) 을 사용하여 압축된 모델과 LS 추정기를 구현한 하드웨어 가속기는 세밀한 파이프라인 구조와 최적화된 데이터 흐름 전략을 특징으로 합니다. Zynq UltraScale+ RFSoC 에서 테스트된 결과, 가속기는 미리 밀리초 지연 시간을 달성하며 GPU 기반 솔루션에 비해 최대 24 배의 속도 향상과 33 배 이상의 에너지 효율 향상을 제공합니다. 광범위한 평가는 제안된 설계가 다양한 노이즈 수준과 사용자 이동성뿐만 아니라 다양한 보이지 않는 채널 프로파일에 대해서도 일반화되며, 최신 기법 (state-of-the-art baselines) 을 능가함을 보여줍니다. 알고리즘 혁신을 하드웨어 인식 설계와 통합함으로써, 우리의 작업은 5G MIMO 시스템에 대한 미래 지향적인 채널 추정 솔루션을 제시합니다.