Core Concepts
하드웨어 비용 다양성을 고려하여 단일 실행으로 고성능 신경망 구조의 트레이드오프 집합을 효율적으로 식별한다.
Abstract
이 연구는 하드웨어 인식 신경망 구조 탐색(HW-NAS) 문제를 해결하기 위한 다목적 최적화 방법인 MO-HDNAS를 제안한다. MO-HDNAS는 세 가지 목표를 최적화한다: 1) 표현 유사성 지표 최대화, 2) 하드웨어 비용 최소화, 3) 하드웨어 비용 다양성 최대화.
하드웨어 비용 다양성 목표는 구조 탐색 공간을 더 잘 탐색할 수 있도록 한다. 이를 통해 단일 실행으로 다양한 하드웨어 비용을 가진 고성능 신경망 구조의 트레이드오프 집합을 식별할 수 있다.
실험 결과, MO-HDNAS는 6개의 엣지 디바이스에서 이미지 분류 작업에 대해 효과적으로 HW-NAS 문제를 해결하였다. 또한 기존 단일 목적 접근법에 비해 탐색 비용을 크게 줄일 수 있었다.
Stats
제안 방법 MO-HDNAS는 FPGA 디바이스에서 CIFAR-100 데이터셋에 대한 아키텍처 탐색 비용이 기존 방법 HW-EvRSNAS 대비 32배 낮았다.
Quotes
"하드웨어 비용 다양성 목표는 구조 탐색 공간을 더 잘 탐색할 수 있도록 한다."
"MO-HDNAS는 단일 실행으로 다양한 하드웨어 비용을 가진 고성능 신경망 구조의 트레이드오프 집합을 식별할 수 있다."