XL-HD: 인메모리 가속기를 위한 결정론적 투영 기반의 초차원 컴퓨팅 확장 학습

초차원 컴퓨팅 (Hyperdimensional computing, HDC)은 낮은 지연 시간(low latency), 낮은 전력 소모(low power), 그리고 엄격한 메모리 예산이 필수적인 에너지 효율적인 엣지 머신러닝 (ML)을 위한 유망한 접근 방식입니다. 그러나 전통적인 HDC는 기호적 결합 (symbolic binding)과 의사 난수 (pseudo-random) 고차원 벡터에 의존하며, 이는 경쟁력 있는 정확도에 도달하기 위해 큰 차원 수와 휴리스틱 업데이트 (heuristic updates)를 요구하여 엣지 하드웨어로의 배포를 제한합니다. 우리는 엣지 컴퓨팅 시스템 내의 인메모리 가속 (in-memory acceleration)에 맞춤화된, 결정론적이고 투영 기반인 완전 학습 가능 HDC 프레임워크인 XL-HD를 소개합니다. 이 방법은 고정된 Sobol 수열을 사용하여 이진 입력을 투영함으로써, 기존 HDC를 넘어 학습을 확장합니다. 학습 과정 동안 클래스 프로토타입 (class prototypes)은 실수 공간 (real-valued space)에서 최적화된 후 나중에 이진화 (binarized)되며, 이를 통해 ReRAM 크로스바 (crossbars)와 같은 IMC 하드웨어에 이상적인 완전 이진 점곱 (binary dot-product) 추론 파이프라인을 가능하게 합니다. XL-HD는 $0.395 ext{mm}^2$의 면적과 단일 사이클 추론당 단 $0.40 ext{μJ}$의 전력만을 사용하는 컴팩트한 IMC 기반 추론 엔진을 유지하면서, MNIST, UCIHAR, ISOLET에서 경쟁력 있는 정확도를 달성합니다.