본 연구는 심층 학습 수신기인 DeepRX(전체 합성곱 ResNet 아키텍처 기반)에 초점을 맞춰 AI/ML 모델에서 에너지 효율과 성능 간의 균형을 맞추는 문제를 다룹니다. FLOPs/Watt 및 FLOPs/clock을 포함한 요소들을 고려하여 DeepRX의 에너지 소비량을 평가하고, 메모리 접근 패턴의 영향을 받는 추정 에너지 사용량과 실제 에너지 사용량 간의 일관성을 발견하였습니다. 훈련 및 추론 단계에서의 에너지 역학 비교도 포함합니다. 주요 기여는 에너지 소비를 줄이면서도 teacher 모델의 성능을 에뮬레이트하는 compact DeepRX student 모델을 훈련하기 위해 지식 증류(KD)를 적용한 것입니다. 다양한 student 모델 크기, 최적의 teacher 크기 및 KD 하이퍼파라미터를 실험했습니다. 증류된 모델과 처음부터 훈련된 모델의 비트 오류율(BER) 성능 대 신호 대 간섭 및 잡음 비율(SINR) 값을 비교하여 성능을 측정했습니다. 증류된 모델은 모든 SINR 수준에서 더 낮은 오류 하한선을 보여주어 에너지 효율적인 AI 솔루션을 달성하는 데 KD의 효과를 강조합니다.
