본 논문은 자원 제약이 있는 장치(예: 마이크로컨트롤러)에서 양자화된 신경망(QNN)을 배포하는 과정에서 모델 성능, 계산 복잡성, 메모리 제약 간의 균형을 맞추는 데 따르는 어려움을 다룹니다. Tiny Machine Learning (TinyML)은 머신러닝 알고리즘, 하드웨어 가속 및 소프트웨어 최적화의 발전을 통합하여 임베디드 시스템에서 심층 신경망을 효율적으로 실행함으로써 이러한 문제를 해결합니다. 본 논문은 하드웨어 중심 관점에서 양자화를 소개하고, 임베디드 애플리케이션을 위한 심층 학습 모델을 가속화하는 데 사용되는 필수적인 양자화 기술을 체계적으로 검토합니다. 특히 모델 성능과 하드웨어 기능 간의 중요한 트레이드오프에 중점을 둡니다. 또한, 마이크로컨트롤러에서 QNN 실행을 지원하도록 특별히 설계된 기존 소프트웨어 프레임워크와 하드웨어 플랫폼을 평가하고, 현재의 과제와 빠르게 발전하는 QNN 배포 분야의 유망한 미래 방향을 제시합니다.
