딥 뉴럴 네트워크(DNN)는 다양한 분야에 널리 사용되지만, 자원 제약적인 장치에서는 높은 지연 시간과 에너지 오버헤드 문제가 발생합니다. 대부분의 연구는 프로세서의 컴퓨팅 주파수를 변경하여 지연 시간과 에너지 소비의 균형을 맞추는 동적 전압 및 주파수 스케일링(DVFS) 기술에 초점을 맞추고 있습니다. 하지만 메모리 주파수 조정은 DNN 추론 효율을 위해 일반적으로 무시되거나 충분히 활용되지 않고 있습니다. 본 논문에서는 모델 기반 및 데이터 기반 방법을 사용하여 메모리 주파수와 컴퓨팅 주파수 스케일링을 동시에 적용했을 때의 추론 시간 및 에너지 소비에 미치는 영향을 조사합니다. 또한, 다양한 DNN 모델의 피팅 파라미터를 결합하여 제안된 모델의 예비 분석을 수행하고, 메모리 및 컴퓨팅 주파수를 동시에 조정하는 효과를 확인합니다. 마지막으로, 로컬 추론 및 협업 추론 시뮬레이션 결과를 통해 메모리 및 컴퓨팅 주파수를 함께 스케일링하여 장치의 에너지 소비를 줄이는 효과를 검증합니다.
