Shifted-and-Duplicated-Kernel (SDK) 매핑은 compute-in-memory (CIM) 하드웨어에서 컨볼루션 레이어의 속도를 가속화하는 효과적인 전략으로 부상했습니다. 그러나 기존 SDK 변형들 (예: VWC-SDK) 은 단일 CIM 매크오에 대한 매핑만 최적화하여 매크오 간 병렬성 (inter-macro parallelism) 을 탐구하지 않았습니다. 또한, 그들의 매핑 방법론은 여전히 비최적입니다. 이러한 한계를 해결하기 위해 우리는 적응형 윈도우를 활용하여 매핑 성능을 향상시키는 새로운 프레임워크인 TetrisG-SDK 를 제시합니다. 제안된 윈도우는 더 많은 입력 채널을 수용하고, 최소한의 공간에서 배열 활용도를 높이며, 다양한 채널 깊이에 적응합니다. 더욱 중요한 점은 TetrisG-SDK 가 고정된 하드웨어 예산 내에서 여러 CIM 매크오를 가로질러 최적의 윈도우 구성을 검색함으로써 컴퓨팅 지연 시간을 줄인다는 것입니다. 또한, 손실 없는 모델 정확도를 유지하면서 컴퓨팅 사이클을 추가로 줄이기 위해 그룹별 합성곱 (grouped convolution) 을 통합합니다. 추가적으로 TetrisG-SDK 는 검증된 CIM 하드웨어 시뮬레이터를 통합하여 지연 시간, 면적 및 에너지에 대한 정확한 시스템/애플리케이션 수준의 추정치를 제공합니다. 단일 매크오 VWC-SDK 와 비교할 때, 제안된 프레임워크는 CNN8 모델의 경우 1.2 배, GoogLeNet Inception 의 경우 1.3 배, DenseNet40 모델의 경우 1.3 배의 속도 향상을 달성합니다. 시뮬레이터에 배포되었을 때, CNN8 은 시스템 수준의 지연 시간과 에너지를 각각 2.4 배와 1.7 배 줄이고, Inception 은 1.3 배와 1.2 배, DenseNet40 은 1.3 배와 1.6 배 줄입니다. 매크오 수준의 병렬성을 활용할 때, TetrisG-SDK 는 그룹별 처리가 없는 대안과 비교하여 CNN8 의 경우 Energy-Delay-Area-Product (EDAP) 를 70%, Inception 의 경우 68%, DenseNet40 의 경우 36% 줄입니다. 이러한 결과는 TetrisG-SDK 가 CIM 하드웨어에서 컨볼루션 레이어를 효율적으로 매핑하기 위한 유망한 해결책임을 보여줍니다.