본 논문은 스마트폰 및 IoT 기기의 증가하는 사용으로 인해 자원 제약 하드웨어에서의 효율적인 시계열 분석의 필요성을 강조하며, 특히 인체 활동 인식 및 대기 질 예측과 같은 감지 애플리케이션에서 중요성이 부각됩니다. 기존 하드웨어 인식 신경망 구조 탐색(NAS) 연구는 특정 플랫폼에 맞는 구조 발견을 자동화하지만, 에지 배포를 고려한 일반적인 시계열 분석에는 초점을 맞추지 못했습니다. 본 논문에서는 대규모 언어 모델(LLM)의 문제 해결 및 추론 능력을 활용하여, NAS를 다목적 신경망 구조 질의(Multi-Objective Neural Architecture Querying) 작업으로 재구성하는 새로운 프레임워크인 MONAQ를 제안합니다. MONAQ는 다중 모드 시계열 입력과 하드웨어 제약 조건을 처리하기 위한 다중 모드 질의 생성과 코드 생성을 통해 배포 가능한 모델을 달성하는 LLM 에이전트 기반 다목적 검색 기능을 갖추고 있습니다. 숫자 데이터, 시계열 이미지 및 텍스트 설명을 통합하여 LLM의 시계열 데이터 이해도를 향상시킵니다. 15개의 데이터 세트에 대한 실험 결과, MONAQ가 발견한 모델은 기존 모델 및 NAS 기준 모델보다 성능이 우수하고 효율적임을 보여줍니다.
