홈으로 센터소개 센터소개 IC-PBL Connect & Share 교수지원 학습지원 IC-PBL Connect & Share IC-PBL 소개 IC-PBL Connect & Share IC-PBL 명예의 전당 IC-PBL 통계 IC-PBL 자료실 IC-PBL Share IC-PBL Connect IC-PBL Share IC-PBL Share IC-PBL Share는 한양대학교에서 이루어진 다양한 학부와 대학원 IC-PBL 수업 과정 및 결과를 공유하는 공간입니다. (비로그인 회원에게는 일부정보가 제한되어 표기됩니다.) ※ 2022학년도 첨부파일만 제공되니 전년도 자료가 필요하신 분들은 IC-PBL 교수학습센터로 메일 주시기 바랍니다. 기본정보 입력 [대학원] 인공지능시스템설계 최정욱23.01.25조회 40 계열 이공계열 학부/대학원 대학원 전공 융합전자공학과 학년도 2022 학기 2학기 과목명 인공지능시스템설계 담당교수 최정욱 소속 IC-PBL 유형 M(현장통합형) 문제제시·기업 평가·기업 E(현장평가형) 문제제시·교수자 평가·기업 C(문제해결형) 문제제시·교수자 평가·교수자 A(현장문제형) 문제제시·기업 평가·교수자 ○ 보고서 내용 수업목표 - 학습 내용: 딥러닝 연산 가속을 위한 Neural Processing Unit의 알고리즘/하드웨어 최적화 - 핵심 목표: 1) 딥러닝 연산 복잡도 및 데이터 재사용에 대한 심층적인 이해 2) 딥러닝 연산 효율을 높이기 위한 알고리즘/하드웨어 최적화 방법 학습/구현 - 교과목 목적: 이 강좌는 딥러닝 중심의 인공지능 가속 하드웨어의 성능 향상을 위한 최적화 기법을 학습하고 구현하는 실습 중심 수업이다. 이 강좌에서는 딥러닝 가속을 위한 소프트웨어와 하드웨어 스택을 소개하고 딥러닝 계산에서의 문제점과 최근의 하드웨어 혁신을 탐구한다. 수강생은 학기말에 있을 AI 도전과제에 참여하여 수업에서 익힌 기술을 팀별로 경쟁함으로써 하게 된다. IC-PBL 수업 문제 1) 기술 배경: 딥러닝은 현대 인공지능의 핵심 기술로 음성인식, 사물인식, 자연어 처리 등의 다양한 응용에서 인간 수준의 인지 능력을 달성 가능케 한다. 딥러닝 기반 인공지능 기술을 실생활에서 서비스하려면, 딥러닝 수행에 수반하는 대량의 데이터를 저전력으로 빠르게 처리하기 위한 효율적인 플랫폼 기술이 필수적이다. 2) 산업체 문제 제시: 딥러닝 응용의 복잡도가 늘어나고, 처리할 데이터의 크기가 기하급수적으로 늘어나면서, 딥러닝 연산을 수행하는 플랫폼의 성능 향상에 대한 요구가 날로 커져가고 있다. 기존의 반도체 공정 고도화를 통한 하드웨어 성능 향상은 무어의 법칙의 쇠퇴로 인해 인공지능의 발전 속도를 맞추기 어렵다. 이 문제를 해결하기 위해 딥러닝 연산 가속에 특화된 Neural Processing Unit (NPU) 하드웨어가 활발히 개발되고 있는데, NPU의 성능을 최적화하기 위한 알고리즘과 하드웨어 구조의 핵심 기술 개발이 시급한 상황이다. 3) 해결 방법: 딥러닝의 저전력 고속 연산을 위해서는 NPU의 하드웨어 복잡도를 줄이기 위한 저정밀도(Reduced-Precision) 연산 알고리즘 개발과 메모리 접근의 에너지 손실을 최소화하기 위한 데이터 재사용(Data-Reuse) 최적화가 필수적이다. 본 IC-PBL+ 수업에서는 관련 기술에 대해 학습한 지식을 바탕으로 산업체가 활용 가능한 NPU 알고리즘/하드웨어 최적화 방안을 도출하고자 한다. 이를 위해 본 수업에서는 학생들이 팀을 이루어서 저정밀도 알고리즘과 데이터 재사용 최적화에 대한 최신 기술을 학습하고, 산업체가 타겟으로 하는 응용에 이 기술을 복합적으로 적용하여 NPU 플랫폼의 성능을 향상시킬 수 있는 방법을 도출한다. 학생들의 작품은 AI Challenge 형태의 Learder board 경쟁을 통해 최고의 성능 향상을 유도한다. 리스트수정삭제 top