유연 소자(Flexible Electronics)에서의 저전력 함수 근사를 위한 아날로그 Kolmogorov-Arnold Networks의

웨어러블 기기와 사물인터넷 (IoT) 센서는 생체 신호 및 환경 데이터의 온센서(on-sensor) 처리를 필요로 합니다. 여기에는 신경망 추론 (neural network inference)을 위한 비선형 활성화 함수 (nonlinear activation functions), 원시 측정값을 물리적 단위로 매핑하기 위한 센서 교정 곡선 (sensor calibration curves), 그리고 특징 추출 (feature extraction)을 위한 로그 압축 (logarithmic compression) 및 거듭제곱 연산 (power operations)과 같은 신호 전처리 함수와 같이 계산 집약적인 연산들이 포함됩니다. 이러한 함수들은 상당한 복잡성을 나타내며, 종종 디지털 방식으로 구현하기에 비용이 많이 드는 초월 함수 연산 (transcendental operations) 및 다변량 의존성 (multivariate dependencies)을 포함합니다. 아날로그 함수 근사 (Analog function approximation)는 이러한 계산을 아날로그 영역에서 수행함으로써 아날로그-디지털 변환 (analog-to-digital conversion) 및 후속 디지털 처리와 관련된 에너지 오버헤드를 줄여 전력 효율적인 대안을 제공합니다. 유연 소자 (Flexible Electronics, FE)는 기계적 유연성과 저비용 제조 덕분에 웨어러블 애플리케이션을 위한 특히 매력적인 플랫폼을 제공하지만, 회로 밀도와 전력 소비에 엄격한 제약을 가하므로 효율적인 아날로그 구현이 매우 중요하면서도 도전적입니다. 본 연구에서는 하드웨어-소프트웨어 공동 최적화 (hardware-software co-optimization)를 통해 개발된 아날로그 Kolmogorov-Arnold Networks (AKANs)를 도입하여, 하드웨어 결함 하에서도 이러한 복잡한 다변량 함수를 정확하게 근사합니다. 우리의 방법은 훈련 과정 중에 회로 수준의 오류 모델링 (circuit-level error modeling)을 통합하고, 면적과 전력을 줄이기 위해 소프트웨어와 하드웨어 수준 모두에서 가지치기 (pruning)를 적용합니다. 여러 벤치마크를 통한 검증 결과, 우리가 제안한 가지치기 방법론은 하드웨어 비용을 줄일 뿐만 아니라 스플라인 파라미터 (spline parameters)를 정규화함으로써 근사 정확도를 향상시킬 수 있음을 보여줍니다. 결과에 따르면 최대 55%의 면적 절감과 50%의 전력 절감을 달성하였으며, 데이터셋 전반에 걸쳐 평균적으로 약 30%의 감소를 보여, AKANs가 FE에서의 저전력 아날로그 함수 근사를 위한 견고하고 일반화 가능한 프레임워크임을 입증합니다.