본 논문은 스파이킹 신경망(SNN)의 에너지 효율성을 향상시키기 위한 새로운 패턴 기반 계층적 희소성 프레임워크인 Phi를 제안한다. Phi는 이진 활성화의 고유한 분포 패턴을 활용하여 계산량을 줄이는 두 단계의 희소성 계층(벡터 단위 희소성과 원소 단위 희소성)을 도입한다. 1단계에서는 사전 정의된 패턴으로 활성화를 표현하여 오프라인 전처리 및 런타임 계산량 감소를 달성하고, 2단계에서는 1단계 행렬을 보완하는 고도로 희소한 행렬을 사용하여 계산량을 추가로 줄인다. k-means 기반 패턴 선택 방법과 패턴 인식 미세 조정 기법을 사용하며, Phi라는 전용 하드웨어 아키텍처를 설계하여 두 단계의 희소성을 효율적으로 처리한다. 실험 결과, 기존 SNN 가속기 대비 3.45배의 속도 향상과 4.93배의 에너지 효율 향상을 보였다.
시사점, 한계점
•
시사점:
◦
SNN의 에너지 효율성을 크게 향상시키는 새로운 패턴 기반 계층적 희소성 프레임워크(Phi)를 제시하였다.
◦
알고리즘-하드웨어 공동 설계를 통해 SNN 계산 최적화에 효과적인 방법을 제시하였다.
◦
기존 SNN 가속기 대비 상당한 성능 향상(속도 및 에너지 효율)을 실험적으로 증명하였다.
•
한계점:
◦
제안된 프레임워크의 성능은 선택된 패턴과 k-means 클러스터링의 성능에 의존적일 수 있다.
