이미지 확대보기다중·심층 신경망을 처리할 수 있고, 이를 저전력인 모바일 기기에서 학습할 수 있어 활용도가 높다. 이 기술을 활용하면 이미지 합성, 스타일 변환, 손상 이미지 복원 등 기술을 모바일에서 구현할 수 있다.
분류형 모델(DiscriminatIve Model)은 주어진 질문에 답을 하도록 학습됐다. 지금껏 물체 인식·추적, 음성인식, 얼굴인식 등에 활발히 활용돼 왔다. 국내 연구진이 활용한 인공지능 기술은 생성적 적대 신경망(GAN)이다. 이 기술은 새로운 이미지를 생성·재생성할 수 있고, 이미지 스타일 변환, 영상 합성, 손상된 이미지 복원 등에 폭넓게 적용 가능하다. 또한 영상·이미지 내 사용자 얼굴 합성 등 모바일 기기의 응용 프로그램에서도 사용할 수 있어 산업계의 관심도 받고 있다.
생성적 적대 신경망은 기존 심층 신경망보다 많은 연산량을 요구해 메모리가 작은 장치일 경우 구현이 어렵다는 한계를 지닌다.
이에 연구진은 다중·심층 신경망을 처리하면서 모바일에서도 학습할 수 있는 AI 반도체 GANPU(GeneratIve Adversarial Networks Processing Unit)를 개발했다. 이 기술은 서버로 데이터를 전송하지 않고, 모바일 장치 내에서 GAN을 스스로 학습할 수 있기 때문에 이용자의 사생활도 보호할 수 있다.
에너지 효율을 높이기 위해 연구진은 적응형 워크로드 할당, 입출력 희소성 활용 극대화, 지수 부문을 사용한 0 패턴 추측 기술을 사용했다.
적응형 워크로드 할당은 처리해야 할 데이터를 다중·심층 신경망의 연산·메모리 특성에 따라 시·공간으로 나눠 처리해 효율을 높이는 방법이다. 입출력 희소성 활용 극대화 기술은 데이터 입력·출력의 0을 예측해 연산에서 제외한다. 이를 통해 추론·학습 과정에서의 에너지 효율과 속도를 극대화해준다. 마지막, 지수 부문만을 사용한 0 패턴 추측은 인공신경망 출력의 0을 예측하기 위한 알고리즘을 말한다. 입력과 연결 강도의 부동소수점 데이터 중에서 지수 부분만을 사용해 연산을 간단하게 처리한다. 이 방법을 통해 GANPU는 기존 최고 성능 반도체 대비 4.8배 증가한 에너지효율을 기록했다.
차진희 기자 postmoneynews@gmail.com
