그래프 신경망 기계학습 가속을 위한 이종 신메모리 기반 하드웨어 및 시스템 소프트웨어 프레임워크

학습되지 않은 그래프의 데이터 임베딩을 추론할 수 있는 그래프 신경망(GNN)은 대용량 데이터를 처리하는 추천시스템, 라이다, 소셜 컴퓨팅, 그리고 다양한 자연과학 연구 등에서 적용되고 있는 신흥 그래프 머신러닝 알고리즘이다. GNN은 대용량 스케일의 비유클리드 데이터를 이용하여 학습과 추론을 하기 때문에, 매우 높은 정확도와 범용성, 다른 그래프 처리 시스템과의 호환성을 가진다.

하지만 이러한 장점에도 불구하고 GNN의 특화된 가속 시스템의 부재와 하드웨어 설계 부족 등으로 인해 그래프 신경망 가속에 접근성, 부재성이 현저히 떨어지는 실정이다. 이러한 문제를 해결하기 위해 소자, 회로, 시스템 각 영역에서 연구가 진행되고 있지만, 계층 간의 고립적 기술 개발들로 그 성능과 응용의 범위를 혁신적으로 확장 개선하는데 고질적인 어려움을 겪고 있다.

본 연구의 최종 목표는 신흥 그래프 신경망 가속을 위해 소자, 회로, 컴퓨터 구조를 수직적으로 탐색 연구하여, AI에 특화된 비메모리/메모리 반도체를 설계하고 저전력/고성능 AI 하드웨어 소프트웨어 플랫폼을 개발하고자 한다. 이를 위해 3가지 차세대 GNN 핵심기술들, 1)가속기 프레임워크: 그래프 기계학습 범용 프로그래밍 모델, GNN 레이어 배치 등을 포함한 데이터 플로어 기반, 이종 가속 하드웨어 가속장치 제어 프레임워크 개발. 2)GNN 하드웨어 가속: GNN 연산용 가속처리 회로 재설계와 ReRAM 기반 스토리지 클래스 형태의 대용량 메모리 구성 및 면적/전력 효율 향상을 위한 ReRAM 기반 이종 코어 설계. 3)이종 형태의 비휘발성 신메모리 소자: 바이트 입출력, 다치레벨, 대용량의 비휘발성 특성을 가지는 3단자 ReRAM 소자/메모리 배열 개발 및 순차계산이 가능한 신뢰성이 높은 2단자 ReRAM 소자/메모리 배열을 개발한다.

본 연구에서 목표로 하는 AI 특화 비메모리/메모리 반도체 및 저전력/고성능 AI 하드웨어 소프트웨어 플랫폼 기술개발은 각 고유 영역의 원천 기술 확보뿐만 아니라 핵심기술이 융합된 통합 AI 플랫폼의 기술을 통해 고부가 가치 시장을 선점할 것으로 기대되며, 각 기술계층에서 고립적으로 개발된 기술보다 더 넓은 범주의 지식재산권 축적과 영향력을 줄 수 있을 것으로 기대한다.

목록보기
메뉴닫기