TreeGRNG: 효율적인 확률론적 AI 하드웨어를 위한 이진 트리 가우시안 난수 생성기 (Binary Tree Gaussian Random

베이지안 신경망 (Bayesian Neural Networks, BNNs)은 의사 결정 과정에서의 불확실성 (uncertainties)을 모니터링함으로써 기존 신경망의 신뢰성을 크게 향상시킬 수 있는 기회를 제공합니다. 그러나 엣지 (extreme edge) 환경에서 BNN 추론을 수행할 때 발생하는 중대한 단점은 각 뉴런 내에 가우시안 난수 생성기 (Gaussian Random Number Generators, GRNG)를 반드시 포함해야 한다는 점입니다. 최첨단 (State-of-the-art) GRNG 알고리즘은 다수의 산술 연산 (arithmetic operations)과 광범위한 룩업 테이블 (look-up tables) 사용에 크게 의존하며, 이는 초저전력 하드웨어 구현에 있어 상당한 구현상의 어려움을 초래합니다. 이를 극복하기 위해, 본 논문은 산술 유닛 (arithmetic units) 대신 초저비용의 상수 비교기 (constant comparators)를 사용할 수 있는 혁신적인 이진 트리 난수 생성기 (binary tree random number generator, TreeGRNG)를 제안합니다. 나아가, 우리는 가우시안 특성 (Gaussian properties)을 활용한 일련의 하드웨어 인지적 최적화 (hardware-aware optimizations)를 통해 TreeGRNG 제안을 더욱 강화했습니다. 최적화된 TreeGRNG는 분포 정확도 (distribution accuracy) 측면에서 최첨단 (State-of-the-Art, SoTA) 기술을 능가하는 동시에, 샘플당 에너지를 3.7$ imes$ 감소시키고 단위 면적당 처리량 (throughput)을 5.8$ imes$ 향상시켰습니다. 또한, 우리의 TreeGRNG 제안은 설계자가 샘플링된 확률 분포 (probability distribution)의 형태를 쉽게 조정할 수 있도록 하여 유연성 측면에서 현재의 SoTA 대비 뚜렷한 이점을 가지며, 이는 전통적인 GRNG의 능력을 넘어 미래의 확률론적 AI 설계를 향한 지평을 열어줍니다. TreeGRNG 설계는 다음 링크에서 오픈 소스로 제공됩니다.