현대 머신러닝 (Machine Learning)의 지배적인 궤적은 모델 규모 확대, 가속기 확대, 메모리 예산 확대와 같이 규모를 키우는 방향이었습니다. 그러나 수년간 지속된 글로벌 반도체 공급 제약과 상시 온라인 추론 (Inference)에 따른 에너지 및 탄소 비용의 증가는 이러한 궤적의 취약성을 드러냈으며, 그 반대 방향의 동기를 부여했습니다. 즉, 웨어러블, 센서, 에지 가전 (Edge appliances)에서 이미 대량 생산되고 있는 작고 어디에나 있는 마이크로컨트롤러 (Microcontrollers)에 맞게 AI 및 ML 알고리즘을 재구성하는 것입니다. 우리는 컴팩트한 게이트 순환 셀 (Gated recurrent cell)인 FastGRNN을 두 가지 베어메탈 (Bare-metal) 타겟인 8비트 Arduino (ATmega328P)와 16비트 MSP430 (하드웨어 곱셈기 없음; 16 KB Flash; 512 B SRAM)에 배포한 엔드 투 엔드 (End-to-end) 오픈 소스 재현 연구를 제시합니다. 우리의 압축 파이프라인 (Compression pipeline)은 저계수 가중치 인수분해 (Low-rank weight factorization), 반복적 하드 임계값 희소화 (Iterative hard-thresholding sparsity), 그리고 명시적 활성화 보정 (Activation calibration)을 포함한 텐서별 Q15 사후 훈련 양자화 (Post-training quantization)를 결합합니다. 배포된 모델은 566 바이트의 가중치를 차지하며, HAPT 테스트 세트에서 macro F1 = 0.918 (seed 0; 5개 시드 Q15 평균 0.853±0.107)을 달성합니다. 이는 3,399개의 테스트 윈도우 (Test windows) 전체에서 PyTorch 레퍼런스와 100% 예측 일치율을 보입니다 (MCU seed 0; 5개 시드 전체에서 99.91-100% C-equivalent). 두 플랫폼 모두 실시간 50 Hz 스트리밍 추론을 유지하며 (Arduino에서 샘플당 9.21 ms, MSP430에서 13 ms), 256개 항목의 sigmoid/tanh 룩업 테이블 (Look-up table, LUT)은 곱셈기가 없는 MSP430에서 30.5배의 속도 향상을 제공합니다. 네 가지 기여가 기존 FastGRNN 논문을 확장합니다: (i) 교차 플랫폼 비트 동일 결정론적 추론 (Cross-platform bit-equivalent deterministic inference); (ii) 순환 웜업 지연 시간 (Recurrent warm-up latency) 특성 분석 (중앙값 74 샘플, 1.48 s; 100개 테스트 윈도우 중 최악의 경우 125 샘플, 2.50 s); (iii) 곱셈기가 없는 임베디드 타겟을 위한 배포 가능한 룩업 테이블 레시피; (iv) 활성 추론 전력 17.7 mW, 유휴 전력(Idle power) <0.09 mW, 그리고 LUT 사용 시 96.7%의 에너지 절감을 보여주는 하드웨어 에너지 특성 분석입니다.