$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 뉴로모픽 환경에서 QoS를 고려한 최적의 SNN 모델 파라미터 생성 기법
QoS-Aware Optimal SNN Model Parameter Generation Method in Neuromorphic Environment 원문보기

스마트미디어저널 = Smart media journal, v.12 no.4, 2023년, pp.19 - 26  

김서연 (인하대학교 인간중심컴퓨팅연구소) ,  김봉재 (충북대학교 컴퓨터공학과) ,  정진만 (인하대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

뉴로모픽 아키텍처 기반 하드웨어를 이용한 IoT 엣지 서비스는 단말 장치에서 지능형 처리를 수행할 수 있기 때문에 자율형 IoT 응용 지원에 적합하다. 그러나 IoT 개발자가 뉴로모픽 하드웨어에서 사용되는 SNN을 이해하기에는 어려움이 있다. 본 논문에서는 뉴로모픽 하드웨어의 제약조건을 고려하며 사용자의 요구 성능을 만족하는 SNN 모델 생성 기법을 제안한다. 제안 기법은 프로파일링된 데이터에서 최적의 SNN 모델 파라미터를 찾도록 전처리된 데이터로 사전 학습한 모델을 활용한다. 전체 탐색 기법과 비교 결과, 두 기법 모두 사용자 요구사항을 모두 만족하였지만, 제안 기법이 수행 시간 측면에서 더 좋은 성능을 보였다. 또한, 신규 하드웨어의 제약조건을 명확히 알지 못하더라도 새로운 하드웨어의 프로파일링된 데이터를 활용할 수 있으므로 높은 확장성을 제공할 수 있다.

Abstract ▼ AI-Helper 아이콘AI-Helper

IoT edge services utilizing neuromorphic hardware architectures are suitable for autonomous IoT applications as they perform intelligent processing on the device itself. However, spiking neural networks applied to neuromorphic hardware are difficult for IoT developers to comprehend due to their comp...

Keyword

#뉴로모픽 하드웨어   #스파이킹 뉴럴 네트워크   #지능형 IoT  

참고문헌 (23)

  1. 김선욱, 홍성은, 방준일, 김화종, "IoT 장치의 개인정보 데이터 보호 시스템 구현에 관한 연구," 스마트미디어저널, 제10권, 제2호, 84-91쪽, 2021년 06월？ 

  2. D. A. Nguyen, X. T. Tran, K. N. Dang, F. Iacopi, "A low-power, high-accuracy with fully on-chip ternary weight hardware architecture for Deep Spiking Neural Networks," Microprocessors and Microsystems, vol. 90, Apr. 2022.？ 

    상세보기

  3. T. N. N. Nguyen, B. Veeravalli, X. Fong, "Hardware Implementation for Spiking Neural Networks on Edge Devices," Predictive Analytics in Cloud, Fog, and Edge Computing: Perspectives and Practices of Blockchain, IoT, and 5G, pp.227-248, 2022.？ 

  4. F. Akopyan, J. Sawada, A. Cassidy et al., "TrueNorth: Design and Tool Flow of a 65 mW 1 Million Neuron Programmable Neurosynaptic Chip," IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 34, no. 10, pp. 1537-1557, 2015.？ 

    상세보기

  5. M. Davies, N. Srinivasa, T. H. Lin et al., "Loihi: A Neuromorphic Manycore Processor with On-Chip Learning," IEEE Micro, vol. 38, no. 1, pp. 82-99, Jan. 2018.？ 

    상세보기

  6. A. D. Brown, J. Chad, Raihaan, B. K. M. Raihaan, K. Dugan, S. Furber, "SpiNNaker: Event-based simulation - quantitative behaviour," IEEE Transactions on Multiscale Computing Systems, vol. 4, pp. 450-462, Jul. 2018.？ 

  7. J. Schemmel et al., "Live demonstration: A scaled-down version of the BrainScaleS wafer-scale neuromorphic system," 2012 IEEE International Symposium on Circuits and Systems (ISCAS), pp. 702-702, Seoul, Korea (South), 2012.？ 

  8. B. V. Benjamin et al., "Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations," Proceedings of the IEEE, vol. 102, no. 5, pp. 699-716, May 2014.？ 

  9. Terasic De1-SoC(2016).http://de1-soc.terasic.com/ (accessed Apr., 14, 2023).？ 

  10. Xilinx PYNQ(2017). http://www.pynq.io/ (accessed Apr., 14, 2023).？ 

  11. T. Bekolay et al., "Nengo: a Python tool for building large-scale functional brain models," Frontiers in Neuroinformatics, vol. 7, 2014.？ 

  12. 신양훈, 이창환, 오세만, "프로파일링 데이터를 이용한 가상기계 코드 최적화," 정보처리학회논문지 컴퓨터 및 통신시스템, 제14권, 제3호, 167-172쪽, 2007년 6월？ 

  13. 이윤재, 염헌영, 한혁, "메모리 접근 프로파일링을 통한 프로그램의 Swap 사용 최적화," 정보과학회논문지, 제47권, 제5호, 466-472쪽, 2020년 5월？ 

  14. 오지선, 김세진, 김윤희, "CPU-GPU 컨테이너클러스터의 프로파일링을 활용한 계산응용 실행계획 기법," 정보과학회논문지, 제46권, 제10호, 975-980쪽, 2019년 10월？ 

  15. D. Chen, N. Vachharajani, R. Hundt et al., "Taming hardware event samples for FDO compilation," Proceedings of the 8th annual IEEE/ACM international symposium on Code generation and optimization (CGO '10), pp. 42-52, New York, NY, USA, Apr. 2010.？ 

  16. T. D. Han, T. S. Abdelrahman, "Automatic tuning of local memory use on GPGPUs," Part of ADAPTWorkshop proceedings, arXiv:1412.6986, 2015.？ 

  17. E. Ipek, S. A. McKee, K. Singh, R. Caruana, B. R. de Supinski and M. Schulz, "Efficient architectural design space exploration via predictive modeling," ACM Transactions on Architecture and Code Optimization, vol. 4, Issue 4, pp. 1-34, Jan. 2008.？ 

    상세보기

  18. E. Schulte, J. Dorn, S. Harding, S. Forrest and W. Weimer, "Post-compiler software optimization for reducing energy," Proceedings of the 19th international conference on Architectural support for programming languages and operating systems (ASPLOS '14), pp. 639-652, Feb. 2014.？ 

  19. M. Blackstock and R. Lea, "Toward a Distributed Data Flow Platform for the Web of Things (Distributed Node-RED)," Proceedings of the 5th International Workshop on Web of Things (WoT'14). Association for Computing Machinery, NewYork, NY, USA, pp. 34-39, Oct. 2014.？ 

  20. 김서연, 윤영선, 은성배, 차신, 정진만, "AI 컴포넌트추상화 모델 기반 자율형 IoT 통합개발환경 구현," 한국인터넷방송통신학회 논문지, 제21권, 제5호, 71-77쪽, 2021년 10월？ 

  21. 김서연, 윤영선, 홍지만, 김봉재, 이건명, 정진만, "FPGA상에서 스파이킹 뉴럴 네트워크 지원을 위한모델 최적화," 스마트미디어저널, 제11권, 제2호, 70-76쪽, 2022년 03월？ 

  22. 김서연, 장준혁, 정진만, 김봉재, 윤영선, "오픈 플랫폼 호환 지능형 IoT 컴포넌트 자동 생성 도구," 스마트미디어저널, 제11권, 제11호, 32-39쪽, 2022년 12월？ 

  23. Applied Brain Research (2018). http://www.nengo.ai/nengo-loihi/api.html#nengo_loihi.block.LoihiBlock (accessed Jan., 12, 2023). 

활용도 분석정보

상세보기
다운로드
내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로