모바일 AI 위한 FPGA 가속기 전력 최적화
모바일 기기, IoT 시스템, 전기차 등 자원 제약적인 엣지 환경에서 실시간 객체 탐지를 위한 에너지 효율적인 CNN 가속기 개발은 매우 중요하다. 본 연구는 Xilinx ZCU104 FPGA 플랫폼에 Tiny YOLOv4 객체 탐지 모델을 저전력으로 구현하기 위해 레지스터 전송 레벨(RTL) 최적화 기법을 제안한다. 제안된 RTL 기법은 국부적 명시적 클록 인에이블(LECE), 오퍼랜드 격리, 그리고 향상된 클록 게이팅(ECG) 세 가지다. 특히 AI 알고리즘의 핵심 구성 요소인 곱셈-누산(MAC) 연산에서 불필요한 신호 스위칭 활동을 제거하는 새로운 저전력 설계를 제안했다. COCO 데이터셋으로 훈련된 Tiny YOLOv4 모델은 Tensil 툴체인을 사용하여 고정 소수점 추론을 위해 양자화 및 컴파일되었다. Vivado 2022.2를 이용한 구현 후 평가 결과, 전체 온칩 전력이 약 29.4% 감소했음을 확인했다. 제안된 설계는 높은 정확도를 유지하면서 실시간 탐지 처리량을 지원하여 드론, 감시 시스템, 자율주행차와 같이 배터리 제약이 있는 환경에 이상적이다. 이러한 결과는 확장 가능하고 지속 가능한 엣지 AI 배포를 위한 RTL 수준 전력 최적화의 효과를 명확히 보여준다. 본 연구는 미래 모바일 AI 애플리케이션의 하드웨어 가속기 설계에 중요한 기여를 할 것으로 기대된다.