본 논문은 RISC-V 플랫폼에서 ARM KWT(Keyword Transformer) 모델의 양자화 및 하드웨어 가속화를 통해 엣지 장치에 Transformer 기반 모델을 적용하는 것을 탐구한다. 64kB RAM에서 베어 메탈 C로 실행되도록 맞춤형 엣지 AI 라이브러리를 사용하여 모델을 구현했다. KWT-1 모델은 출력 클래스를 35개에서 2개로 줄여 10%의 정확도 손실만으로 369배 작게 재훈련되었다. 재훈련 및 양자화를 통해 모델 크기가 2.42MB에서 1.65kB로 감소했다. GELU 및 SoftMax 연산을 가속화하는 맞춤형 RISC-V 명령어를 통합하여 추론 속도가 5배 빨라지고, 추론 클럭 사이클 수가 2,600만에서 550만으로 감소하면서 전력 소비가 약 5배 감소했으며, 면적 오버헤드는 약 29%로 작았다.
