[Deep Learning & Neural Network Processor Design]

딥 러닝 알고리즘은 이미지, 음성 등 다양한 분야에서 압도적인 성능을 보이고 있습니다. GPU는 뉴럴 네트워크를 실행하는데 널리 사용되지만, 낮은 에너지 효율로 인하여 스마트폰, 웨어러블 디바이스, 드론과 같은 모바일 디바이스에 사용하기에는 적합하지 않습니다. 저희 연구실은 고성능, 에너지 효율적인 뉴럴 네트워크 프로세서의 설계 및 구현에 중점을 두고 있습니다. 이를 위해 뉴럴 네트워크에 최적화된 데이터 경로 및 메모리 아키텍처, 다양한 뉴럴 네트워크 모델을 처리할 수 있는 유연한 하드웨어 아키텍처 및 하드웨어 친화적인 뉴럴 네트워크 알고리즘에 관한 연구를 진행하고 있으며, 이를 기반으로 한 뉴럴 네트워크 프로세서 칩을 설계, 제작 및 테스트합니다. 저희 연구실은 딥 뉴럴 네트워크 분야에 있어 수준 높은 연구를 수행하고 있으며, 그 성과를 저명한 국제 학회 및 저널에 발표하고 있습니다.

[Processing in-Memory for Deep Learning]

기존의 Von-Neumann 아키텍처는 방대한 양의 데이터가 제한된 버스를 통해 메인 메모리와 프로세서 간의 통신이 이루어집니다. 이는 높은 정확도를 위해 많은 양의 데이터 및 연산을 필요로 하는 딥 러닝 알고리즘에 있어 심각한 메모리 병목 현상을 유발합니다. 이를 타개하기 위해 등장한 Non-Von Neumann 아키텍처를 따르는 PIM (Processing in-Memory) 기술은 메모리에서 대부분의 연산을 처리하고 필요한 데이터만 프로세서로 전송함으로써 메모리 데이터 전송에 필요한 에너지를 크게 줄일 수 있습니다. 따라서 PIM 기술은 대규모 딥 뉴럴 네트워크를 효율적으로 처리하기 위한 핵심 방향이자 차세대 플랫폼으로 주목받고 있습니다.