무어의 법칙 (Moore's law)이 물리적 및 경제적 한계에 도달함에 따라, 머신러닝 (machine learning) 워크로드를 가속화하기 위해 도메인 특화 (domain-specific) 접근 방식이 점점 더 많이 채택되고 있습니다. 하이퍼디멘셔널 컴퓨팅 (Hyperdimensional Computing, HDC)은 이러한 신흥 패러다임 중 하나로, 기존의 딥러닝 (deep learning) 기술에 대한 대안을 제공합니다. 계산의 인지 모델 (cognitive models of computation)에 뿌리를 둔 HDC는 하드웨어 효율성을 최우선 목표로 하여 바텀업 (bottom-up) 방식으로 설계되었습니다. HDC 워크로드는 CPU, GPU, FPGA를 포함한 이기종 하드웨어 플랫폼뿐만 아니라, 저항성 RAM (Resistive RAM, ReRAM) 및 상변화 메모리 (Phase-Change Memory, PCM)와 같은 신흥 인메모리 컴퓨팅 (in-memory computing) 기술에도 자연스럽게 매핑됩니다. HDC 알고리즘은 본질적으로 노이즈 (noise)와 근사 (approximation)에 내성이 있어, 최소한의 정확도 손실로 상당한 성능 향상을 가능하게 합니다. 본 연구에서는 HDC 워크로드에서 도메인 특화 근사를 자동으로 식별하고 적용하기 위한 프레임워크인 ApproxHDC를 소개합니다. ApproxHDC는 HPVM-HDC 컴파일러 인프라를 확장하여 CPU, GPU, 그리고 시뮬레이션된 ReRAM 및 PCM 기반 가속기를 포함한 다양한 하드웨어 백엔드에 대해 재타겟팅 가능한 컴파일 (retargetable compilation)을 가능하게 합니다. 가능한 근사의 공간은 기하급수적으로 방대합니다. ApproxHDC는 효율적인 탐색 및 분석을 사용하여 이를 탐색하고, 소프트웨어와 하드웨어 수준 모두를 아우르는 영향력이 큰 구성을 식별합니다.