This thesis proposes a method of computation reduction in convolution layer for energy-efficient Convolutional Neural Network (CNN) accelerator. CNN is the most promising algorithm for image recognition, then academia and industries focus on developing CNN. It still has energy-efficiency problem to be used in mobile platform and IoT, while it is utilized on various applications. It seems that CNN will be utilized mostly in the two platforms in the future, hence it is important to solve the energy-efficiency problem. To solve the problem, I suggest reducing energy consumption with accuracy degradation through approximate computing. Since the most workload of CNN is concentrated on convolution layers, reducing computation in convolution layers by pre-emptive max-pooling results in energy reduction of CNN accelerator.
Post synthesis simulation of proposed processing element is performed for MNIST and CIFAR-10. It shows 27% and 20% energy reduction with 0.47%p and 3.35%p accuracy degradation respectively for MNIST and CIFAR-10.
본 논문에서는 Convolutional Neural Network (CNN) 가속기의 에너지 효율성을 위해서 컨볼루션 층의 연산량 감소 기법을 제안한다. CNN은 현재 이미지 인식 작업에 가장 뛰어난 성능을 보이고 있고, 학계와 산업체들에서 이를 중점적으로 개발하고 있다. CNN은 현재 많은 분야에서 활용되고 있지만, 모바일 플랫폼이나 IoT에서 이용하기에는 에너지 효율성의 문제가 남아있다. 미래에는 이 플랫폼들에서 주로 활용될 것으로 예상되기 때문에 에너지 효율성 문제를 해결하는 것이 중요하다. 이를 해결하기 위해서 근사 컴퓨팅을 적용해서 조금의 이미지 인식 정확도를 희생하여 에너지 효율성에서 큰 이득을 얻는 방법을 제안한다. CNN의 연산량은 컨볼루션 층에 집중되어 있기 때문에 선제적 Max 풀링을 통해서 컨볼루션 층의 연산량을 줄임으로써 전체 CNN 가속기의 에너지를 감소시킬 수 있었다.
제안한 아이디어를 적용하여 Processing Element (PE)를 합성했고, MNIST와 CIFAR-10에 대해서 시뮬레이션을 통해 검증하였다. MNIST 경우 0.47%p의 정확도 저하를 감수하여 27%의 에너지를 줄일 수 있었고, CIFAR-10의 경우 3.35%p의 정확도 저하를 감수하여 20%의 에너지를 줄일 수 있었다.
