2018년도 임원 및 각 위원회 위원 2018년도 회비납부 안내 1. 회비의 납부 및 유효기간 2018년도 회원 연회비는 2017년과 동일함을 알려드리며, 2018년도 회비는 2017년 12월부터 2018년 2월까지 납부하도록 되어 있습니다. 따라서 아직 2018년도

Transcription

1 ISSN 제45권 1호 2018 년 1 월호 The Magazine of the IEIE vol.45. no.1 AI( 인공지능 ) 반도체 머신러닝가속기연구동향 효율적메모리관리를통한모바일 CNN 가속기의최적화 에너지고효율인공지능하드웨어 인공지능하드웨어설계및최적화기술 뉴로모픽컴퓨팅기술 인공지능반도체 NM500

2 2018년도 임원 및 각 위원회 위원 2018년도 회비납부 안내 1. 회비의 납부 및 유효기간 2018년도 회원 연회비는 2017년과 동일함을 알려드리며, 2018년도 회비는 2017년 12월부터 2018년 2월까지 납부하도록 되어 있습니다. 따라서 아직 2018년도 회비를 납부하지 않으신 회원님께서는 납부하여 주시기 바라며, 연회비의 유효기간은 회비를 납부한 당해연도에 한합니다. 평생회원님 및 이미 회비를 납부해주신 회원님께서는 학회에서 정리관계로 시차가 있을 수 있으므로 양지하시고 이 항목은 무시하여 주십시요. 2018년도 회원 연회비는 다음과 같습니다. 정 회 원 70,000원 (입회비 10,000원) 학생회원 30,000원 (입회비 면제) 평생회원 700,000원 - 평생회비 할인 제도: 학회 홈페이지 안내 참조 - 평생회비 분납 제도(1년 한): 평생회비 분할 납부를 원하시는 회원께서는 회원 담당에게 요청하여 주시기 바랍니다. 회장 백준기 (중앙대학교 교수) 2. 논문지(eBook) 제공 학회지와 논문지(국.영문)가 ebook으로 발간되어 학회 홈페이지( 통해 제공되고 있습니다. 다만 간행물을 우편으로 받기 원하시는 회원께서는 학회로 신청하여 주시기 바랍니다. 3. 회비의 납부방법 신용카드(홈페이지 전자결재) 및 계좌이체 (한국씨티은행, )를 이용하여 학회 연회비, 심사비 및 논문게재료 등을 납부하여 주시기 바랍니다. 수석부회장 최천원 고문 구원모 고문 김기남 고문 박성욱 고문 박청원 (단국대학교 교수) (전자신문사 대표이사) (삼성전자 사장) (SK하이닉스 부회장) (전자부품연구원 원장) 고문 백만기 고문 이상훈 (김&장법률사무소 변리사) (한국전자통신연구원 원장) 4. 석 박사 신입생 및 재학생 다년 학생회원 가입 및 회비 할인 제도 안내 우리 학회에서는 석ㆍ박사 신입생 및 재학생을 위하여 다년 학생회원 가입 제도 및 회비 할인 제도를 마련하였습니다. 한 번의 회원가입으로 졸업 및 수료 때까지 학회 활동에 참여하실 수 있는 기회가 되시기 바라며 회비 할인 혜택까지 받으시길 바랍니다. 고문 이재욱 고문 이희국 고문 천경준 감사 정교일 감사 백흥기 부회장 서승우 부회장 임혜숙 (노키아티엠씨 명예회장) ( LG 상임고문) ( 씨젠 회장) (한국전자통신연구원 책임연구원) (전북대학교 교수) (서울대학교 교수) (이화여자대학교 교수) 가입 대상 및 할인 혜택 - 가입 대상 : 2018년 석ㆍ박사 신입생 및 재학생 - 할인 내용 : 2년 60,000원(1년당 30,000원) 2년 50,000원(16.7% 할인) 3년 90,000원(1년당 30,000원) 3년 70,000원(22.2% 할인) 4년 120,000원(1년당 30,000원) 4년 90,000원(25% 할인) 5년 150,000원(1년당 30,000원) 5년 110,000원(26.7% 할인) 5. IEEE 회비 10% 할인(Due 해당액) 안내 우리 학회에서는 IEEE와 MOU체결을 통해 우리학회 회원의 경우 IEEE 회비의 할인(Due 금액의 10%)이 가능하오니, IEEE에 신규 가입하시거나 갱신하실 때 할인혜택을 받으시기 바랍니다. 웹사이트: 부회장 전병우 부회장 이장명 부회장 안승권 산업체부회장 오성목 산업체부회장 이석희 산업체부회장 조승환 소사이어티 회장 이흥노 (성균관대학교 교수) (부산대학교 교수) (LG사이언스파크/LG기술협의회 대표/의장) (KT 사장) (SK하이닉스 사장) (삼성전자 부사장) (광주과학기술원 교수) 6. 문의처 대한전자공학회 사무국 배기동 차장(회원담당) ( ) / biz@theieie.org

3 소사이어티회장전영현 ( 삼성 SDI 대표이사 ) 소사이어티회장강문식 ( 강릉원주대학교교수 ) 소사이어티회장김창익 (KAIST 교수 ) 소사이어티회장김영철 ( 군산대학교교수 ) 소사이어티회장이병선 ( 김포대학교교수 ) 협동부회장김달수 ( 티엘아이대표이사 ) 협동부회장김부균 ( 숭실대학교교수 ) 협동부회장김상태 ( 한국산업기술평가관리원본부장 ) 협동부회장김종대 ( 한국전자통신연구원책임연구원 ) 협동부회장남상엽 ( 국제대학교교수 ) 협동부회장박찬구 ( 인피니언테크놀로지스파워세미텍대표이사 ) 협동부회장박형무 ( 동국대학교교수 ) 협동부회장손보익 ( 실리콘웍스대표이사 ) 협동부회장송문섭 (( 유 ) 엠세븐시스템대표이사 ) 협동부회장엄낙웅 ( 한국전자통신연구원소장 ) 협동부회장유현규 ( 한국전자통신연구원책임연구원 ) 협동부회장이강현 ( 조선대학교교수 ) 협동부회장이광엽 ( 서경대학교교수 ) 협동부회장이상홍 ( 정보통신기술진흥센터센터장 ) 협동부회장이상회 ( 동서울대학교교수 ) 협동부회장이승훈 ( 서강대학교교수 ) 협동부회장이윤종 ( DB 하이텍부사장 ) 협동부회장이재훈 ( 유정시스템 사장 ) 협동부회장인치호 ( 세명대학교교수 ) 협동부회장임혁 ( 광주과학기술원교수 ) 협동부회장장태규 ( 중앙대학교교수 ) 협동부회장정은승 ( 삼성전자 사장 ) 협동부회장정준 ( 쏠리드대표이사 ) 협동부회장정진용 ( 인하대학교교수 ) 협동부회장조상복 ( 울산대학교교수 ) 협동부회장최승원 ( 한양대학교교수 ) 협동부회장허영 ( 한국전기연구원본부장 ) 협동부회장호요성 ( 광주과학기술원교수 ) 상임이사공준진 ( 삼성전자 Master) 상임이사권종원 ( 한국산업기술시험원선임연구원 ) 상임이사김동규 ( 한양대학교교수 ) 상임이사김동식 ( 인하공업전문대학교수 ) 상임이사김선욱 ( 고려대학교교수 ) 상임이사김소영 ( 성균관대학교교수 ) 상임이사김수찬 ( 한경대학교교수 ) 상임이사김승천 ( 한성대학교교수 ) 상임이사김원종 ( 한국전자통신연구원실장 )

4 The Magazine of the IEIE 상임이사노원우 ( 연세대학교교수 ) 상임이사백광현 ( 중앙대학교교수 ) 상임이사범진욱 ( 서강대학교교수 ) 상임이사송병철 ( 인하대학교교수 ) 상임이사신오순 ( 숭실대학교교수 ) 상임이사심동규 ( 광운대학교교수 ) 상임이사유창동 (KAIST 교수 ) 상임이사유회준 (KAIST 교수 ) 상임이사윤석현 ( 단국대학교교수 ) 상임이사이강윤 ( 성균관대학교교수 ) 상임이사이채은 ( 인하대학교교수 ) 상임이사이충용 ( 연세대학교교수 ) 상임이사이혁재 ( 서울대학교교수 ) 상임이사임재열 ( 한국기술교육대학교교수 ) 상임이사정영모 ( 한성대학교교수 ) 상임이사정종문 ( 연세대학교교수 ) 상임이사조도현 ( 인하공업전문대학교수 ) 상임이사한종기 ( 세종대학교교수 ) 상임이사황성운 ( 홍익대학교교수 ) 상임이사황인철 ( 강원대학교교수 ) 산업체이사고요환 ( 매그나칩반도체전무 ) 산업체이사김태진 ( 더즈텍사장 ) 산업체이사김현수 ( 삼성전자 상무 ) 산업체이사박동일 ( 현대자동차 전무 ) 산업체이사송창현 ( 네이버 CTO) 산업체이사오의열 (LG 디스플레이 연구위원 ) 산업체이사윤영권 ( 삼성전자 마스터 ) 산업체이사조영민 ( 스카이크로스코리아사장 ) 산업체이사조재문 ( 삼성전자 부사장 ) 산업체이사차종범 ( 구미전자정보기술원원장 ) 산업체이사최승종 (LG 전자 전무 ) 산업체이사최진성 (SK 텔레콤 전무 ) 산업체이사함철희 ( 삼성전자 Master) 산업체이사홍국태 (LG 전자 연구위원 ) 이사강동구 ( 한국전기연구원선임연구원 ) 이사공배선 ( 성균관대학교교수 ) 이사권기룡 ( 부경대학교교수 ) 이사권종기 ( 한국전자통신연구원책임연구원 ) 이사김대순 ( 전주비전대학교교수 ) 이사김상철 ( 국민대학교교수 ) 이사김성진 ( 경남대학교교수 ) 이사김영선 ( 대림대학교교수 )

5 이사김용신 ( 고려대학교교수 ) 이사김재곤 ( 한국항공대학교교수 ) 이사김종옥 ( 고려대학교교수 ) 이사김지훈 ( 서울과학기술대학교교수 ) 이사김진상 ( 경희대학교교수 ) 이사김진수 ( 한밭대학교교수 ) 이사김창수 ( 고려대학교교수 ) 이사김태욱 ( 연세대학교교수 ) 이사김태원 ( 상지영서대학교교수 ) 이사남일구 ( 부산대학교교수 ) 이사노태문 ( 한국전자통신연구원책임연구원 ) 이사동성수 ( 용인송담대학교교수 ) 이사류수정 ( 삼성전자 상무 ) 이사박인규 ( 인하대학교교수 ) 이사박철수 ( 광운대학교교수 ) 이사박현창 ( 동국대학교교수 ) 이사변경수 ( 인하대학교교수 ) 이사서춘원 ( 김포대학교교수 ) 이사성해경 ( 한양여자대학교교수 ) 이사송상헌 ( 중앙대학교교수 ) 이사송진호 ( 연세대학교교수 ) 이사심정연 ( 강남대학교교수 ) 이사윤지훈 ( 서울과학기술대학교교수 ) 이사이성수 ( 숭실대학교교수 ) 이사이승호 ( 한밭대학교교수 ) 이사이윤식 (UNIST 교수 ) 이사이찬수 ( 영남대학교교수 ) 이사이창우 ( 가톨릭대학교교수 ) 이사이한호 ( 인하대학교교수 ) 이사장길진 ( 경북대학교교수 ) 이사장익준 ( 경희대학교교수 ) 이사정진곤 ( 중앙대학교교수 ) 이사차철웅 ( 전자부품연구원책임연구원 ) 이사최재식 (UNIST 교수 ) 이사한영선 ( 경일대학교교수 ) 협동이사강윤희 ( 백석대학교교수 ) 협동이사고병철 ( 계명대학교교수 ) 협동이사권구덕 ( 강원대학교교수 ) 협동이사김경기 ( 대구대학교교수 ) 협동이사김만배 ( 강원대학교교수 ) 협동이사김상완 ( 아주대학교교수 ) 혐동이사김준모 (KAIST 교수 )

6 The Magazine of the IEIE 협동이사김짐 ( 한국산업기술평가관리원선임연구원 ) 협동이사김현 ( 서울대학교교수 ) 협동이사남기창 ( 동국대학교교수 ) 협동이사류성한 ( 한남대학교교수 ) 협동이사박기찬 ( 건국대학교교수 ) 협동이사박성욱 ( 강릉원주대학교교수 ) 협동이사박수현 ( 국민대학교교수 ) 협동이사박원규 ( 한국나노기술원팀장 ) 협동이사박종선 ( 고려대학교교수 ) 협동이사박형민 ( 서강대학교교수 ) 협동이사변대석 ( 삼성전자 Master) 협동이사변영재 (UNIST 교수 ) 협동이사선우경 ( 이화여자대학교교수 ) 협동이사안태원 ( 동양미래대학교교수 ) 협동이사엄우용 ( 인하공업전문대학교수 ) 협동이사연규봉 ( 자동차부품연구원팀장 ) 협동이사윤성로 ( 서울대학교교수 ) 협동이사이문구 ( 김포대학교교수 ) 협동이사이우주 ( 명지대학교교수 ) 협동이사이재성 ( 한국교통대학교교수 ) 협동이사이종호 ( 가천대학교교수 ) 협동이사이형민 ( 고려대학교교수 ) 협동이사정승원 ( 동국대학교교수 ) 협동이사조성현 ( 힌양대학교교수 ) 협동이사채관엽 ( 삼성전자 박사 ) 협동이사최강선 ( 한국기술교육대학교교수 ) 협동이사하정우 ( 네이버 Tech Leader) 협동이사한태희 ( 성균관대학교교수 ) 협동이사허재두 ( 한국전자통신연구원본부장 ) 협동이사황인정 ( 명지병원책임연구원 )

7

8

9

10

11 Contents 제 45 권 1 호 (2018 년 1 월 ) 학회소식 12 신년사 / 백준기 13 학회소식 / 편집부 15 특집편집기 / 김동규 특집 : AI( 인공지능 ) 반도체 16 머신러닝가속기연구동향 / 박세훈, 김재억, 신현준, 노원우 28 효율적메모리관리를통한모바일 CNN 가속기의최적화 / 변영훈, 조준서, 이영주 35 에너지고효율인공지능하드웨어 / 궁재하 학회지 1 월호표지 (vol 45. No 1) 44 인공지능하드웨어설계및최적화기술 / 김원종, 이상헌 54 뉴로모픽컴퓨팅기술 / 황태호 회지편집위원회 위원장정영모 ( 한성대학교교수 ) 위원권종원 ( 한국산업기술시험원선임연구원 ) 김수찬 ( 한경대학교교수 ) 김영선 ( 대림대학교교수 ) 김창수 ( 고려대학교교수 ) 김현 ( 부천대학교교수 ) 박수현 ( 국민대학교교수 ) 박인규 ( 인하대학교교수 ) 박종선 ( 고려대학교교수 ) 변영재 (UNIST 교수 ) 심정연 ( 강남대학교교수 ) 윤지훈 ( 서울과학기술대학교교수 ) 이종호 ( 가천대학교교수 ) 이찬수 ( 영남대학교교수 ) 이창우 ( 가톨릭대학교교수 ) 이희덕 ( 충남대학교교수 ) 인치호 ( 세명대학교교수 ) 정찬호 ( 한밭대학교교수 ) 사무국편집담당변은정차장 ( 내선 3) TEL : (02) ( 대 ) FAX : (02) 학회홈페이지 63 인공지능반도체 NM500 / 최기원 72 논문지논문목차 74 박사학위논문 정보교차로 75 국내외학술행사안내 / 편집부 84 특별회원사, 단체회원

12 The Magazine of the IEIE 2018 년도임원및각위원회위원 회 장 백준기 ( 중앙대학교교수 ) 수석부회장최천원 ( 단국대학교교수 ) - 소사이어티, 재무, 기획 고 문 구원모 ( 전자신문사대표이사 ) 김기남 ( 삼성전자 사장 ) 박성욱 (SK하이닉스 부회장 ) 박청원 ( 전자부품연구원원장 ) 백만기 ( 김 & 장법률사무소변리사 ) 이상훈 ( 한국전자통신연구원원장 ) 이재욱 ( 노키아티엠씨명예회장 ) 이희국 ( LG 상임고문 ) 천경준 ( 씨젠회장 ) 감 사 정교일 ( 한국전자통신연구원책임연구원 ) 백흥기 ( 전북대학교교수 ) 부 회 장 서승우 ( 서울대학교교수 ) - JSTS, 논문지, 정보화, 홍보, 교육임혜숙 ( 이화여자대학교교수 ) - 학술대회, SPC 전병우 ( 성균관대학교교수 ) - 사업, 학회지, 회원, 표준화 이장명 ( 부산대학교교수 ) - 지부 안승권 (LG사이언스파크/LG기술협의회대표 / 의장 ) 산업체부회장 오성목 (KT 사장 ) 이석희 (SK하이닉스 사장 ) 조승환 ( 삼성전자 부사장 ) 소사이어티회장 이흥노 ( 광주과학기술원교수 ) - 통신 전영현 ( 삼성SDI 대표이사 ) - 반도체 강문식 ( 강릉원주대학교교수 ) - 컴퓨터 김창익 (KAIST 교수 ) - 신호처리 김영철 ( 군산대학교교수 ) - 시스템및제어 이병선 ( 김포대학교교수 ) - 신업전자 협동부회장김달수 ( 티엘아이대표이사 ) 김부균 ( 숭실대학교교수 ) 김상태 ( 한국산업기술평가관리원본부장 ) 김종대 ( 한국전자통신연구원책임연구원 ) 남상엽 ( 국제대학교교수 ) 박찬구 ( 인피니언테크놀로지스파워세미텍대표이사 ) 박형무 ( 동국대학교교수 ) 손보익 ( 실리콘웍스대표이사 ) 송문섭 (( 유 ) 엠세븐시스템대표이사 ) 엄낙웅 ( 한국전자통신연구원소장 ) 유현규 ( 한국전자통신연구원책임연구원 ) 이강현 ( 조선대학교교수 ) 이광엽 ( 서경대학교교수 ) 이상홍 ( 정보통신기술진흥센터센터장 ) 이상회 ( 동서울대학교교수 ) 이승훈 ( 서강대학교교수 ) 이윤종 ( DB하이텍부사장 ) 이재훈 ( 유정시스템 사장 ) 인치호 ( 세명대학교교수 ) 임 혁 ( 광주과학기술원교수 ) 장태규 ( 중앙대학교교수 ) 정은승 ( 삼성전자 사장 ) 정 준 ( 쏠리드대표이사 ) 정진용 ( 인하대학교교수 ) 조상복 ( 울산대학교교수 ) 최승원 ( 한양대학교교수 ) 허 영 ( 한국전기연구원본부장 ) 호요성 ( 광주과학기술원교수 ) 상임이사 공준진 ( 삼성전자 Master) - 산학연 권종원 ( 한국산업기술시험원선임연구원 ) - 논문 (SC) 김동규 ( 한양대학교교수 ) - 논문 (SD) 김동식 ( 인하공업전문대학교수 ) - 사업 (IE) 김선욱 ( 고려대학교교수 ) - 총무 김소영 ( 성균관대학교교수 ) - 정보화 김수찬 ( 한경대학교교수 ) - 사업 (SC) 김승천 ( 한성대학교교수 ) - 논문 (CI) 김원종 ( 한국전자통신연구원실장 ) - 표준화 노원우 ( 연세대학교교수 ) - 재무 백광현 ( 중앙대학교교수 ) - 논문총괄 범진욱 ( 서강대학교교수 ) - 사업 (SD) 송병철 ( 인하대학교교수 ) - 사업 (SP) 신오순 ( 숭실대학교교수 ) - 논문 (TC) 심동규 ( 광운대학교교수 ) - SPC 편집 유창동 (KAIST 교수 ) - 국제협력 /ICCE-Asia 유회준 (KAIST 교수 ) - JSTS 편집 윤석현 ( 단국대학교교수 ) - 사업 (TC) 이강윤 ( 성균관대학교교수 ) - 사업총괄 이채은 ( 인하대학교교수 ) - 홍보 이충용 ( 연세대학교교수 ) - 기획 이혁재 ( 서울대학교교수 ) - 학술 ( 하계 ) 임재열 ( 한국기술교육대학교교수 ) - 교육 정영모 ( 한성대학교교수 ) - 회지편집 정종문 ( 연세대학교교수 ) - 회원 /ICCE-Asia 조도현 ( 인하공업전문대학교수 ) - 논문 (IE) 한종기 ( 세종대학교교수 ) - 논문 (SP) ` 황성운 ( 홍익대학교교수 ) - 사업 (CI) 황인철 ( 강원대학교교수 ) - 학술 ( 추계 ) 산업체이사고요환 ( 매그나칩반도체전무 ) 김태진 ( 더즈텍사장 ) 김현수 ( 삼성전자 상무 ) 박동일 ( 현대자동차 전무 ) 송창현 ( 네이버 CTO) 오의열 (LG 디스플레이 연구위원 ) 윤영권 ( 삼성전자 마스터 ) 조영민 ( 스카이크로스코리아사장 ) 조재문 ( 삼성전자 부사장 ) 차종범 ( 구미전자정보기술원원장 ) 최승종 (LG 전자 전무 ) 최진성 (SK텔레콤 전무 ) 함철희 ( 삼성전자 Master) 홍국태 (LG 전자 연구위원 ) 이 사 강동구 ( 한국전기연구원선임연구원 ) - 홍보 공배선 ( 성균관대학교교수 ) - 학술 ( 하계 ) 권기룡 ( 부경대학교교수 ) - 학술 ( 추계 ) 권종기 ( 한국전자통신연구원책임연구원 ) - 사업 김대순 ( 전주비전대학교교수 ) - 지부 ( 전북 ) 김상철 ( 국민대학교교수 ) - 회원

13 김성진 ( 경남대학교교수 ) - 지부 ( 부산경남울산 ) 김성호 ( 한국산업기술평가관리원팀장 ) - 학술 ( 하계 ) 김영선 ( 대림대학교교수 ) - 회원 김용신 ( 고려대학교교수 ) - 학술 ( 추계 ) 김재곤 ( 한국항공대학교교수 ) - 국문논문 (SP) 김종옥 ( 고려대학교교수 ) - 정보화 김지훈 ( 서울과학기술대학교교수 ) - 총무 / 학술 ( 하계 ) 김진상 ( 경희대학교교수 ) - 사업 (SD) 김진수 ( 한밭대학교교수 ) - 지부 ( 대전충남 ) 김창수 ( 고려대학교교수 ) - 회지 김태욱 ( 연세대학교교수 ) - 기획 김태원 ( 상지영서대학교교수 ) - 홍보 남일구 ( 부산대학교교수 ) - 학술 ( 추계 ) 노태문 ( 한국전자통신연구원책임연구원 ) - 학술 ( 하계 ) 동성수 ( 용인송담대학교교수 ) - 사업 류수정 ( 삼성전자 상무 ) - 산학연 박인규 ( 인하대학교교수 ) - 회지 박철수 ( 광운대학교교수 ) - SPC 편집 박현창 ( 동국대학교교수 ) - 교육 배준호 ( 가천대학교교수 ) - 표준화 변경수 ( 인하대학교교수 ) - 홍보 서춘원 ( 김포대학교교수 ) - 기획 성해경 ( 한양여자대학교교수 ) - 정보화 송상헌 ( 중앙대학교교수 ) - 교육 송진호 ( 연세대학교교수 ) - 회원 심정연 ( 강남대학교교수 ) - 회지 유성철 (LG 히다찌본부장 ) - 사업 (IE) 윤지훈 ( 서울과학기술대학교교수 ) - 국문논문 (TC) 이민호 ( 경북대학교교수 ) - 사업 (CI) 이성수 ( 숭실대학교교수 ) - 기획 이승호 ( 한밭대학교교수 ) - 국문논문 ( 총괄 ) 이윤식 (UNIST 교수 ) - 홍보 이찬수 ( 영남대학교교수 ) - 사업 ( 총괄 ) 이창우 ( 가톨릭대학교교수 ) - 회지 이한호 ( 인하대학교교수 ) - 사업 (SD)/ 산학연 장길진 ( 경북대학교교수 ) - 국제협력 장익준 ( 경희대학교교수 ) - 학술 ( 하계 ) 정진곤 ( 중앙대학교교수 ) - 국문논문 ( 총괄 ) 제민규 (KAIST 교수 ) - 교육 차철웅 ( 전자부품연구원책임연구원 ) - 표준화 채영철 ( 연세대학교교수 ) - 재무 최재식 (UNIST 교수 ) - 국제협력 한영선 ( 경일대학교교수 ) - 총무 /SPC 편집 홍성훈 ( 전남대학교교수 ) - 광주전남지부 협동이사 강대성 ( 동아대학교교수 ) - 지부 ( 부산경남울산 ) 강윤희 ( 백석대학교교수 ) - 호서지부 고병철 ( 계명대학교교수 ) - 사업 (CI) 권구덕 ( 강원대학교교수 ) - 학술 ( 추계 ) 김경기 ( 대구대학교교수 ) - 국제협력 김광수 (KAIST 교수 ) - 국제협력 김도현 ( 제주대학교교수 ) - 기획 김동현 (ICTK 사장 ) - 산학연 김만배 ( 강원대학교교수 ) - 국문논문 (SP) 김상완 ( 아주대학교교수 ) - 홍보 김준모 (KAIST 교수 ) - 국제혐력 김진성 ( 선문대학교교수 ) - 학술 ( 하계 ) 김 짐 ( 한국산업기술평가관리원선임연구원 ) - 사업 김 현 ( 서울대학교교수 ) - 홍보 남기창 ( 동국대학교교수 ) - 회원 류성한 ( 한남대학교교수 ) - 학술 ( 추계 ) 박기찬 ( 건국대학교교수 ) - 표준화 박성욱 ( 강릉원주대학교교수 ) - 학술 ( 하계 ) 박수현 ( 국민대학교교수 ) - 회지 박영훈 ( 숙명여자대학교교수 ) - 학술 ( 하계 ) 박원규 ( 한국나노기술원팀장 ) - 표준화 박종선 ( 고려대학교교수 ) - 사업 (SD) 박형민 ( 서강대학교교수 ) - 사업 (CI) 변대석 ( 삼성전자 Master) - 산학연 변영재 (UNIST 교수 ) - 회지 선우경 ( 이화여자대학교교수 ) - 정보화 안태원 ( 동양미래대학교교수 ) - 국문논문 ( 총괄 ) 엄우용 ( 인하공업전문대학교수 ) - 국제협력 연규봉 ( 자동차부품연구원팀장 ) - 사업 오병태 ( 한국항공대학교교수 ) - 사업 ( 총괄 ) 윤성로 ( 서울대학교교수 ) - 회원 이문구 ( 김포대학교교수 ) - 교육 이우주 ( 명지대학교교수 ) - 국문논문 ( 총괄 ) 이재성 ( 한국교통대학교교수 ) - 학술 ( 하계 ) 이종호 ( 가천대학교교수 ) - 국문논문 (TC) 이주헌 ( 동아방송예술대학교교수 ) - 교육 이태동 ( 국제대학교교수 ) - 학술 ( 하계 ) 이형민 ( 고려대학교교수 ) - 학술 ( 추계 ) 정승원 ( 동국대학교교수 ) - SPC/ 학술 ( 추계 ) 정재필 ( 가천대학교교수 ) - 산학연 조성현 ( 힌양대학교교수 ) - 사업 채관엽 ( 삼성전자 박사 ) - 학술 ( 추계 ) 최강선 ( 한국기술교육대학교교수 ) - SPC 편집 최재원 ( 다음소프트이사 ) - 사업 (CI) 하정우 ( 네이버 Tech Leader) - 홍보 한태희 ( 성균관대학교교수 ) - 교육 허재두 ( 한국전자통신연구원본부장 ) - ICCE-Asia 황인정 ( 명지병원책임연구원 ) - 사업 (CI) 지부장명단 강원지부 김남용 ( 강원대학교교수 ) 광주 전남지부 원용관 ( 전남대학교교수 ) 대구 경북지부 최현철 ( 경북대학교교수 ) 대전 충남지부 주성순 ( 한국전자통신연구원박사 ) 부산 경남 울산지부 강대성 ( 동아대학교교수 ) 전북지부 송제호 ( 전북대학교교수 ) 제주지부 김경연 ( 제주대학교교수 ) 충북지부 최영규 ( 한국교통대학교교수 ) 호서지부 장은영 ( 공주대학교교수 ) 일 본 백인천 (AIZU대학교교수 ) 미 국 최명준 ( 텔레다인박사 ) 러시아지부 Prof. Edis B. TEN (National University of Science and Technology)

14 The Magazine of the IEIE 자문위원회 위원회명단 위 원 장 홍승홍 ( 명예회장 ) 부위원장 이문기 ( 명예회장 ) 위 원 고성제 ( 고려대학교교수 ) 구용서 ( 단국대학교교수 ) 김덕진 ( 명예회장 ) 김도현 ( 명예회장 ) 김성대 (KAIST 교수 ) 김수중 ( 명예회장 ) 김영권 ( 명예회장 ) 김재희 ( 연세대학교교수 ) 김정식 ( 대덕전자회장 ) 나정웅 ( 명예회장 ) 문영식 ( 한양대학교교수 ) 박규태 ( 명예회장 ) 박성한 ( 명예회장 ) 박진옥 ( 명예회장 ) 박항구 ( 소암시스텔회장 ) 서정욱 ( 명예회장 ) 성굉모 ( 서울대학교명예교수 ) 윤종용 ( 삼성전자상임고문 ) 이상설 ( 명예회장 ) 이재홍 ( 서울대학교교수 ) 이진구 ( 동국대학교석좌교수 ) 이충웅 ( 명예회장 ) 이태원 ( 명예회장 ) 임제탁 ( 명예회장 ) 전국진 ( 서울대학교교수 ) 전홍태 ( 중앙대학교교수 ) 정정화 ( 한양대학교석좌교수 ) 기획위원회 위 원 장 이충용 ( 연세대학교교수 ) 위 원 김지훈 ( 서울과학기술대학교교수 ) 김태욱 ( 연세대학교교수 ) 노원우 ( 연세대학교교수 ) 백상헌 ( 고려대학교교수 ) 박영준 ( 한양대학교교수 ) 서춘원 ( 김포대학교교수 ) 양준성 ( 성균관대학교교수 ) 장익준 ( 경희대학교교수 ) 조성현 ( 한양대학교교수 ) 채영철 ( 연세대학교교수 ) 학술연구위원회 - 하계 위 원 장 이혁재 ( 서울대학교교수 ) 위 원 공배선 ( 성균관대학교교수 ) 김성호 ( 한국산업기술평가관리원팀장 ) 김지훈 ( 서울과학기술대학교교수 ) 김진성 ( 선문대학교교수 ) 노태문 ( 한국전자통신연구원책임연구원 ) 박성욱 ( 강릉원주대학교교수 ) 박영훈 ( 숙명여자대학교교수 ) 이재성 ( 교통대학교교수 ) 이태동 ( 국제대학교교수 ) 장익준 ( 경희대학교교수 ) 정윤호 ( 한국항공대학교교수 ) 학술연구위원회 - 추계 위 원 장 황인철 ( 강원대학교교수 ) 위 원 권구덕 ( 강원대학교교수 ) 권기룡 ( 부경대학교교수 ) 김용신 ( 고려대학교교수 ) 남일구 ( 부산대학교교수 ) 류성한 ( 한남대학교교수 ) 이형민 ( 고려대학교교수 ) 정승원 ( 동국대학교교수 ) 채관엽 ( 삼성전자박사 ) 한영선 ( 경일대학교교수 ) 논문편집위원회 위 원 장 백광현 ( 중앙대학교교수 ) 위 원 권종원 ( 한국산업기술시험원선임연구원 ) 김동규 ( 한양대학교교수 ) 김만배 ( 강원대학교교수 ) 김승천 ( 한성대학교교수 ) 김재곤 ( 한국항공대학교교수 ) 신오순 ( 숭실대학교교수 ) 안태원 ( 동양미래대학교교수 ) 윤지훈 ( 서울과학기술대학교교수 ) 이승호 ( 한밭대학교교수 ) 이우주 ( 명지대학교교수 ) 이종호 ( 가천대학교교수 ) 정진곤 ( 중앙대학교교수 ) 조도현 ( 인하공업전문대학교수 ) 한종기 ( 세종대학교교수 ) 국제협력위원회 위 원 장 유창동 (KAIST 교수 ) 위 원 김경기 ( 대구대학교교수 ) 김상수 (KAIST 교수 ) 김준모 (KAIST 교수 ) 송상헌 ( 중앙대학교교수 ) 엄우영 ( 인하공업전문대학교수 ) 장길진 ( 경북대학교교수 ) 최재식 (UNIST 교수 ) 허재두 ( 한국전자통신연구원본부장 ) 산학연협동위원회 위 원 장 공준진 ( 삼성전자 Master) 위 원 김동현 (ICTK 사장 ) 김익균 ( 한국전자통신연구원그룹장 ) 류수정 ( 삼성전자상무 ) 민경식 ( 국민대학교교수 ) 박종선 ( 고려대학교교수 ) 변대석 ( 삼성전자 Master) 이영주 ( 광운대학교교수 ) 이한호 ( 인하대학교교수 ) 정재필 ( 가천대학교교수 ) 최두호 ( 한국전자통신연구원실장 ) 한태희 ( 성균관대학교교수 ) 회원관리위원회 위 원 장 정종문 ( 연세대학교교수 ) 위 원 김상철 ( 국민대학교교수 ) 김영선 ( 대림대학교교수 ) 김진상 ( 경희대학교교수 ) 남기창 ( 동국대학교교수 ) 박종일 ( 한양대학교교수 ) 송진호 ( 연세대학교교수 ) 신종원 ( 광주과학기술원교수 ) 유정봉 ( 공주대학교교수 ) 윤성로 ( 서울대학교교수 ) 정용규 ( 을지대학교교수 )

15 회지편집위원회 위 원 장 정영모 ( 한성대학교교수 ) 위 원 권종원 ( 한국산업기술시험원선임연구원 ) 김수찬 ( 한경대학교교수 ) 김영선 ( 대림대학교교수 ) 김창수 ( 고려대학교교수 ) 김 현 ( 부천대학교교수 ) 박수현 ( 국민대학교교수 ) 박인규 ( 인하대학교교수 ) 박종선 ( 고려대학교교수 ) 변영재 (UNIST 교수 ) 심정연 ( 강남대학교교수 ) 윤지훈 ( 서울과학기술대학교교수 ) 이종호 ( 가천대학교교수 ) 이찬수 ( 영남대학교교수 ) 이창우 ( 가톨릭대학교교수 ) 이희덕 ( 충남대학교교수 ) 인치호 ( 세명대학교교수 ) 정찬호 ( 한밭대학교교수 ) 사업위원회 총괄위원장 이강윤 ( 성균관대학교교수 ) C I 위원장 황성운 ( 홍익대학교교수 ) I E 위원장 김동식 ( 인하공업전문대학교수 ) S C 위원장 김수찬 ( 한경대학교교수 ) S D 위원장 범진욱 ( 서강대학교교수 ) S P 위원장 송병철 ( 인하대학교교수 ) T C 위원장 윤석현 ( 단국대학교교수 ) 위 원 강석주 ( 서강대학교교수 ) 고병철 ( 계명대학교교수 ) 권종기 ( 한국전자통신연구원책임연구원 ) 김용운 ( 옴니C&S 대표 ) 김원준 ( 건국대학교교수 ) 김진상 ( 경희대학교교수 ) 김진태 ( 건국대학교교수 ) 김 짐 ( 한국산업기술평가관리원선임연구원 ) 김현진 ( 단국대학교교수 ) 동성수 ( 용인송담대학교교수 ) 박종선 ( 고려대학교교수 ) 박형민 ( 서강대학교교수 ) 신철호 ( 한국전자통신연구원실장 ) 연규봉 ( 자동차부품연구원팀장 ) 오병태 ( 한국항공대학교교수 ) 유성철 (LG 히다찌본부장 ) 이민재 ( 광주과학기술원교수 ) 이민호 ( 경북대학교교수 ) 이윤구 ( 광운대학교교수 ) 이찬수 ( 영남대학교교수 ) 이한호 ( 인하대학교교수 ) 임승옥 ( 전자부품연구원센터장 ) 조성현 ( 한양대학교교수 ) 최 욱 ( 인천대학교교수 ) 최재원 ( 다음소프트이사 ) 황인정 ( 명지병원책임연구원 ) 교육위원회 위 원 장 임재열 ( 한국기술교육대학교교수 ) 위 원 동성수 ( 용인송담대학교교수 ) 박현창 ( 동국대학교교수 ) 송상헌 ( 중앙대학교교수 ) 이문구 ( 김포대학교교수 ) 이주헌 ( 동아방송예술대학교교수 ) 이찬호 ( 숭실대학교교수 ) 최강선 ( 한국기술교육대학교교수 ) 홍보위원회 위원장이채은 ( 인하대학교교수 ) 위원강동구 ( 한국전기연구원선임연구원 ) 김상완 ( 아주대학교교수 ) 김태원 ( 상지영서대학교교수 ) 김현 ( 서울대학교교수 ) 변경수 ( 인하대학교교수 ) 이윤식 (UNIST 교수 ) 하정우 ( 네이버 Tech Leader) 표준화위원회 위 원 장 김원종 ( 한국전자통신연구원실장 ) 간사 / 위원 배준호 ( 가천대학교교수 ) 위 원 강성원 ( 한국전자통신연구원본부장 ) 권기원 ( 성균관대학교교수 ) 김동규 ( 한양대학교교수 ) 김시호 ( 연세대학교교수 ) 박기찬 ( 건국대학교교수 ) 박원규 ( 한국나노기술원본부장 ) 변지수 ( 경북대학교교수 ) 송영재 ( 성균관대학교교수 ) 송용호 ( 한양대학교교수 ) 연규봉 ( 자동차부품연구원센터장 ) 이상근 ( 성균관대학교교수 ) 이서호 ( 한국기계전기전자시험연구원과장 ) 이성수 ( 숭실대학교교수 ) 이종묵 (SOL 대표 ) 이하진 ( 한국기초과학지원연구원책임연구원 ) 이해성 ( 전주대학교교수 ) 정교일 ( 한국전자통신연구원책임연구원 ) 좌성훈 ( 서울과학기술대학교교수 ) 차철웅 ( 전자부품연구원책임연구원 ) 한태수 ( 국가기술표준원 / 디스플레이산업협회표준코디 ) 홍용택 ( 서울대학교교수 ) 정보화위원회 위 원 장 김소영 ( 성균관대학교교수 ) 위 원 김종옥 ( 고려대학교교수 ) 김진태 ( 건국대학교교수 ) 선우경 ( 이화여자대학교교수 ) 이윤명 ( 성균관대학교교수 ) 이후진 ( 한성대학교교수 ) 장익준 ( 경희대학교교수 ) 황진영 ( 한국항공대학교교수 ) 지부담당위원회 위 원 장 이장명 ( 부산대학교교수 ) 위 원 강대성 ( 동아대학교교수 ) 김경연 ( 제주대학교교수 ) 김남용 ( 강원대학교교수 ) 백인천 (AIZU대학교교수 ) 송제호 ( 전북대학교교수 ) 원용관 ( 전남대학교교수 ) 장은영 ( 공주대학교교수 ) 주성순 ( 한국전자통신연구원박사 ) 최명준 ( 텔레다인박사 ) 최영규 ( 한국교통대학교교수 ) 최현철 ( 경북대학교교수 ) Prof. Edis B. TEN (National University of Science and Technology 교수 )

16 The Magazine of the IEIE 선거관리위원회 위 원 장 성굉모 ( 서울대학교명예교수 ) 위 원 김선욱 ( 고려대학교교수 ) 김지훈 ( 서울과학기술대학교교수 ) 노원우 ( 연세대학교교수 ) 이충용 ( 연세대학교교수 ) 이혁재 ( 서울대학교교수 ) 정종문 ( 연세대학교교수 ) 포상위원회 위 원 장 문영식 ( 한양대학교교수 ) 간사 / 위원 김선욱 ( 고려대학교교수 ) 위 원 노원우 ( 연세대학교교수 ) 백광현 ( 중앙대학교교수 ) 이혁재 ( 서울대학교교수 ) 최천원 ( 단국대학교교수 ) 재정위원회 위원장백준기 ( 중앙대학교교수 ) 위원노원우 ( 연세대학교교수 ) 문영식 ( 한양대학교교수 ) 박병국 ( 서울대학교교수 ) 박찬구 ( 인피니언테크놀로지스파워세미텍대표이사 ) 이재훈 ( 유정시스템대표이사 ) 정교일 ( 한국전자통신연구원책임연구원 ) 최승종 (LG 전자전무 ) 최천원 ( 단국대학교교수 ) 한대근 ( 실리콘웍스교수 ) 인사위원회 위 원 장 백준기 ( 중앙대학교교수 ) 위 원 김선욱 ( 고려대학교교수 ) 노원우 ( 연세대학교교수 ) 이충용 ( 연세대학교교수 ) 최천원 ( 단국대학교교수 ) SPC 위원회 위 원 장 심동규 ( 광운대학교교수 ) 부위원장 박철수 ( 광운대학교교수 ) 위 원 강석주 ( 서강대학교교수 ) 김영민 ( 광운대학교교수 ) 김창수 ( 고려대학교교수 ) 김태석 ( 광운대학교교수 ) 김 현 ( 서울대학교교수 ) 신원용 ( 단국대학교교수 ) 유양모 ( 서강대학교교수 ) 이재훈 ( 고려대학교교수 ) 이채은 ( 인하대학교교수 ) 정승원 ( 동국대학교교수 ) 조성현 ( 한양대학교교수 ) 최강선 ( 한국기술교육대학교교수 ) 한영선 ( 경일대학교교수 ) JSTS 위원회 위 원 장 Hoi-Jun Yoo (KAIST) 부위원장 Dim-Lee Kwong (Institute of Microelectronics) 위 원 Akira Matsuzawa (Tokyo Institute of Technology) Byeong-Gyu Nam (Chungnam National Univ.) Byung-Gook Park (Seoul National Univ.) Cary Y. Yang (Santa Clara Univ.) Chang sik Yoo (Hanyang Univ.) Chennupati Jagadish (Australian National Univ.) Deog-Kyoon Jeong (Seoul National Univ.) Dong S. Ha (Virginia Tech) Eun Sok Kim (USC) Gianaurelio Cuniberti (Dresden Univ. of Technology) Hi-Deok Lee (Chungnam Univ.) Hong June Park (POSTECH) Hyoung sub Kim (Sungkyunkwan Univ.) Hyun-Kyu Yu (ETRI) Jamal Deen (McMaster University, Canada) Jin wook Burm (Sogang Univ.) Jong-Uk Bu (Sen Plus) Jun young Park (UX Factory) Kofi Makinwa (Delft Univ. of Technology) Meyya Meyyappan (NASA Ames Research Center) Min-kyu Song (Dongguk Univ.) Moon-Ho Jo (POSTECH) Nobby Kobayashi (UC Santa Cruz) Paul D. Franzon (North Carolina State Univ.) Rino Choi (Inha Univ.) Sang-Hun Song (Chung-Ang Univ.) Sang-Sik Park (Sejong Iniv.) Seung-Hoon Lee (Sogang Univ.) Shen-Iuan Liu (National Taiwan Univ.) Shi ho Kim (Yonsei Univ.) Stephen A. Campbell (Univ. of Minnesota) Sung Woo Hwang (Korea Univ.) Tadahiro Kuroda (Keio Univ.) Tae-Song Kim (KIST) Tsu-Jae King Liu (UC Berkeley) Vojin G. Oklobdzija (Univ. of Texas at Dallas) Weileun Fang (National Tsing Hua Univ.) Woo geun Rhee (Tsinghua Univ.) Yang-Kyu Choi (KAIST) Yogesh B. Gianchandani (Univ. of Michigan, Ann Arbor) Yong-Bin Kim (Northeastern Univ.) Yuhua Cheng (Peking Univ.)

17 통신소사이어티 Society 명단 회 장 이흥노 ( 광주과학기술원교수 ) 부 회 장 김선용 ( 건국대학교교수 ) 김재현 ( 아주대학교교수 ) 김진영 ( 광운대학교교수 ) 김 훈 ( 인천대학교교수 ) 오정근 ( ATNS 대표이사 ) 유명식 ( 숭실대학교교수 ) 윤석현 ( 단국대학교교수 ) 이인규 ( 고려대학교교수 ) 허 준 ( 고려대학교교수 ) 감 사 이재진 ( 숭실대학교교수 ) 이호경 ( 홍익대학교교수 ) 협동부회장 김병남 ( 에이스테크놀로지연구소장 ) 김연은 ( 브로던대표이사 ) 김영한 ( 숭실대학교교수 ) 김용석 ( 답스대표이사 ) 김인경 (LG 전자상무 ) 류승문 (( 사 ) 개인공간서비스협회수석부의장 ) 박용석 ( LICT 대표이사 ) 방승찬 ( 한국전자통신연구원부장 ) 연철흠 (LG 텔레콤상무 ) 이승호 ( 하이게인부사장 ) 이재훈 ( 유정시스템대표이사 ) 정진섭 ( 이노와이어리스부사장 ) 정현규 ( 한국전자통신연구원부장 ) 이 사 김성훈 ( 한국전자통신연구원박사 ) 김정호 ( 이화여자대학교교수 ) 노윤섭 ( 한국전자통신연구원박사 ) 방성일 ( 단국대학교교수 ) 서철헌 ( 숭실대학교교수 ) 성원진 ( 서강대학교교수 ) 신요안 ( 숭실대학교교수 ) 윤종호 ( 한국항공대학교교수 ) 윤지훈 ( 단국대학교교수 ) 이재훈 ( 동국대학교교수 ) 이종창 ( 홍익대학교교수 ) 이종호 ( 가천대학교교수 ) 임종태 ( 홍익대학교교수 ) 장병수 ( 이노벨류네트웍스부사장 ) 조인호 ( 에이스테크놀로지박사 ) 최진식 ( 한양대학교교수 ) 최천원 ( 단국대학교교수 ) 허서원 ( 홍익대학교교수 ) 간 사 신오순 ( 숭실대학교교수 ) 김중헌 ( 중앙대학교교수 ) 조성현 ( 한양대학교교수 ) 연구회위원장 황승훈 ( 동국대학교교수 ) - 통신 유태환 ( 한국전자통신연구원팀장 ) - 스위칭및라우팅 조춘식 ( 한국항공대학교교수 ) - 마이크로파및전파전파 이철기 ( 아주대학교교수 ) - ITS 김동규 ( 한양대학교교수 ) - 정보보안시스템 김강욱 ( 경북대학교교수 ) - 군사전자 - 방송ㆍ통신융합기술 허재두 ( 한국전자통신연구원본부장 ) - 무선 PAN/BAN 김봉태 ( 한국전자통신연구원소장 ) - 미래네트워크 반도체소사이어티 회 장 전영현 ( 삼성SDI 사장 ) 자문위원 권오경 ( 한양대학교교수 ) 선우명훈 ( 아주대학교교수 ) 신윤승 ( 삼성전자고문 ) 신현철 ( 한양대학교교수 ) 우남성 ( 삼성전자사장 ) 임형규 (SK 부회장 ) 수석부회장 조중휘 ( 인천대학교교수 ) 감 사 김경기 ( 대구대학교교수 ) 최중호 ( 서울시립대학교교수 ) 연구담당부회장 조경순 ( 한국외국어대학교교수 ) 사업담당부회장 김진상 ( 경희대학교교수 ) 학술담당부회장 범진욱 ( 서강대학교교수 ) 총무이사 공준진 ( 삼성전자마스터 ) 김동규 ( 한양대학교교수 ) 박종선 ( 고려대학교교수 ) 이한호 ( 인하대학교교수 ) 편집이사 이희덕 ( 충남대학교교수 ) 인치호 ( 세명대학교교수 ) 한태희 ( 성균관대학교교수 ) 학술이사 강진구 ( 인하대학교교수 ) 김영환 ( 포항공과대학교수 ) 김재석 ( 연세대학교교수 ) 김철우 ( 고려대학교교수 ) 노정진 ( 한양대학교교수 ) 박성정 ( 건국대학교교수 ) 박홍준 ( 포항공과대학교수 ) 변영재 (UNIST 교수 ) 송민규 ( 동국대학교교수 ) 신현철 ( 광운대학교교수 ) 유창식 ( 한양대학교교수 ) 이혁재 ( 서울대학교교수 ) 전민용 ( 충남대학교교수 ) 정연모 ( 경희대학교교수 ) 정원영 ( 인제대학교교수 ) 정진균 ( 전북대학교교수 ) 정진용 ( 인하대학교교수 ) 정항근 ( 전북대학교교수 ) 차호영 ( 홍익대학교교수 ) 최우영 ( 연세대학교교수 ) 사업이사 강성호 ( 연세대학교교수 ) 공배선 ( 성균관대학교교수 ) 권기원 ( 성균관대학교교수 ) 김동순 ( 전자부품연구원센터장 ) 김소영 ( 성균관대학교교수 ) 김시호 ( 연세대학교교수 ) 송용호 ( 한양대학교교수 ) 엄낙웅 ( 한국전자통신연구원소장 ) 윤광섭 ( 인하대학교교수 ) 조대형 ( 스위스로잔연방공대총장수석보좌관 ) 조상복 ( 울산대학교교수 ) 조태제 ( 삼성전기마스터 ) 최윤경 ( 삼성전자마스터 ) 최준림 ( 경북대학교교수 ) 산학이사 강태원 ( 넥셀사장 ) 김경수 ( 넥스트칩대표 ) 김달수 (TLI 대표 ) 김동현 (ICTK 사장 ) 김보은 ( 라온텍사장 ) 김준석 (ADT 사장 ) 변대석 ( 삼성전자마스터 ) 손보익 ( 실리콘웍스대표 ) 송태훈 ( 휴인스사장 ) 신용석 ( 케이던스코리아사장 ) 안흥식 (Xilinx Korea 지사장 ) 이도영 ( 옵토레인사장 ) 이서규 ( 픽셀플러스대표 ) 이윤종 ( 동부하이텍부사장 ) 이장규 ( 텔레칩스대표 ) 이종열 (FCI 부사장 ) 정해수 (Synopsys 사장 ) 최승종 (LG 전자전무 ) 허 염 ( 실리콘마이터스대표 ) 황규철 ( 삼성전자상무 ) 황정현 ( 아이닉스대표 ) 재무이사 김희석 ( 청주대학교교수 ) 임신일 ( 서경대학교교수 ) 회원이사 이광엽 ( 서경대학교교수 ) 최기영 ( 서울대학교교수 ) 간 사 강석형 (UNIST 교수 ) 김영민 ( 광운대학교교수 ) 김종선 ( 홍익대학교교수 ) 김형탁 ( 홍익대학교교수 ) 문 용 ( 숭실대학교교수 ) 백광현 ( 중앙대학교교수 ) 이강윤 ( 성균관대학교교수 ) 이성수 ( 숭실대학교교수 ) 연구회위원장 오정우 ( 연세대학교교수 ) - 반도체재료부품 이상신 ( 광운대학교교수 ) - 광파및양자전자공학 김동규 ( 한양대학교교수 ) - SoC설계 유창식 ( 한양대학교교수 ) - RF집적회로 정원영 ( 인제대학교교수 ) - PCB&Package

18 The Magazine of the IEIE 컴퓨터소사이어티 회 장 강문식 ( 강릉원주대학교교수 ) 명예회장 김승천 ( 한성대학교교수 ) 김형중 ( 고려대학교교수 ) 박인정 ( 단국대학교교수 ) 박춘명 ( 한국교통대학교교수 ) 신인철 ( 단국대학교교수 ) 안병구 ( 홍익대학교교수 ) 안현식 ( 동명대학교교수 ) 이규대 ( 공주대학교교수 ) 허 영 ( 한국전기연구원본부장 ) 홍유식 ( 상지대학교교수 ) 자문위원 남상엽 ( 국제대학교교수 ) 이강현 ( 조선대학교교수 ) 정교일 ( 한국전자통신연구원책임연구원 ) 감 사 심정연 ( 강남대학교교수 ) 이강현 ( 조선대학교교수 ) 부 회 장 김도현 ( 제주대학교교수 ) 윤은준 ( 경일대학교교수 ) 정용규 ( 을지대학교교수 ) 황성운 ( 홍익대학교교수 ) 협동부회장 권호열 ( 강원대학교교수 ) 김영학 ( 한국산업기술평가관리원본부장 ) 박수현 ( 국민대학교교수 ) 우운택 (KAIST 교수 ) 조민호 ( 고려대학교교수 ) 최용수 ( 성결대학교교수 ) 총무이사 박성욱 ( 강릉원주대학교교수 ) 박영훈 ( 숙명여자대학교교수 ) 재무이사 황인정 ( 명지병원책임연구원 ) 홍보이사 이덕기 ( 연암공과대학교교수 ) 편집이사 강병권 ( 순천향대학교교수 ) 기장근 ( 공주대학교교수 ) 김진홍 ( 성균관대학교교수 ) 변영재 (UNIST 교수 ) 이석환 ( 동명대학교교수 ) 정혜명 ( 김포대학교교수 ) 진성아 ( 성결대학교교수 ) 학술이사 강상욱 ( 상명대학교교수 ) 권태경 ( 연세대학교교수 ) 김선욱 ( 고려대학교교수 ) 김천식 ( 세종대학교교수 ) 성해경 ( 한양여자대학교교수 ) 이문구 ( 김포대학교교수 ) 이민호 ( 경북대학교교수 ) 이찬수 ( 영남대학교교수 ) 이후진 ( 한성대학교교수 ) 한규필 ( 금오공과대학교교수 ) 한태화 ( 연세대의료원연구팀장 ) 사업이사 김홍균 ( 다스파워기술고문 ) 박세환 ( 한국과학기술정보연구원전문연구위원 ) 박승창 ( 유오씨사장 ) 조병순 ( 시엔시인스트루먼트사장 ) 산학이사 김대휘 ( 한국정보통신대표이사 ) 노소영 ( 월송출판대표이사 ) 서봉상 ( 올포랜드이사 ) 송치봉 ( 웨이버스이사 ) 오승훈 ( 주얼린대표이사 ) 유성철 (LG 히다찌산학협력팀장 ) 조병영 ( 태진인포텍전무 ) 논문편집위원장 진 훈 ( 경기대학교교수 ) 연구회위원장 윤은준 ( 경일대학교교수 ) - 융합컴퓨팅 이민호 ( 경북대학교교수 ) - 인공지능 / 신경망 / 퍼지 이후진 ( 한성대학교교수 ) - 멀티미디어 진 훈 ( 경기대학교교수 ) - 휴먼ICT 김도현 ( 제주대학교교수 ) - M2M/IoT 우운택 (KAIST 교수 ) - 증강휴먼 황성운 ( 홍익대학교교수 ) - CPS보안 신호처리소사이어티 회 장 김창익 (KAIST 교수 ) 자문위원 김정태 ( 이화여자대학교교수 ) 김홍국 ( 광주과학기술원교수 ) 이영렬 ( 세종대학교교수 ) 전병우 ( 성균관대학교교수 ) 조남익 ( 서울대학교교수 ) 홍민철 ( 숭실대학교교수 ) 감 사 한종기 ( 세종대학교교수 ) 이영렬 ( 세종대학교교수 ) 부 회 장 김문철 (KAIST 교수 ) 박종일 ( 한양대학교교수 ) 심동규 ( 광운대학교교수 ) 협동부회장 강동욱 ( 정보통신기술진흥센터 CP) 김진웅 ( 한국전자통신연구원그룹장 ) 백준기 ( 중앙대학교교수 ) 변혜란 ( 연세대학교교수 ) 신원호 (LG 전자상무 ) 양인환 (TI Korea 이사 ) 오은미 ( 삼성전자 Master) 이병욱 ( 이화여자대학교교수 ) 지인호 ( 홍익대학교교수 ) 최병호 ( 전자부품연구원센터장 ) 이 사 강현수 ( 충북대학교교수 ) 권기룡 ( 부경대학교교수 ) 김남수 ( 서울대학교교수 ) 김창수 ( 고려대학교교수 ) 김해광 ( 세종대학교교수 ) 박구만 ( 서울과학기술대학교교수 ) 박인규 ( 인하대학교교수 ) 서정일 ( 한국전자통신연구원선임연구원 ) 신지태 ( 성균관대학교교수 ) 엄일규 ( 부산대학교교수 ) 유양모 ( 서강대학교교수 ) 이상근 ( 중앙대학교교수 ) 이상윤 ( 연세대학교교수 ) 이창우 ( 가톨릭대학교교수 ) 임재열 ( 한국기술교육대학교교수 ) 장길진 ( 경북대학교교수 ) 장준혁 ( 한양대학교교수 ) 한종기 ( 세종대학교교수 ) 협동이사 강상원 ( 한양대학교교수 ) 강제원 ( 이화여자대학교교수 ) 구형일 ( 아주대학교교수 ) 권구락 ( 조선대학교교수 ) 김기백 ( 숭실대학교교수 ) 김기백 ( 숭실대학교교수 ) 김상효 ( 성균관대학교교수 ) 김용환 ( 전자부품연구원선임연구원 ) 김원준 ( 건국대학교교수 ) 김응규 ( 한밭대학교교수 ) 김재곤 ( 한국항공대학교교수 ) 박상윤 ( 명지대학교교수 ) 박현진 ( 성균관대학교교수 ) 박호종 ( 광운대학교교수 ) 서영호 ( 광운대학교교수 ) 신재섭 ( 픽스트리대표이사 ) 신종원 ( 광주과학기술원교수 ) 양현종 (UNIST 교수 ) 이기승 ( 건국대학교교수 ) 이상철 ( 인하대학교교수 ) 이종설 ( 전자부품연구원책임연구원 ) 임재윤 ( 제주대학교교수 ) 장세진 ( 전자부품연구원센터장 ) 전세영 (UNIST 교수 ) 정찬호 ( 한밭대학교교수 ) 최강선 ( 한국기술교육대학교교수 ) 최승호 ( 서울과학기술대학교교수 ) 최준원 ( 한양대학교교수 ) 홍성훈 ( 전남대학교교수 ) 총무간사 허용석 ( 아주대학교교수 ) 연구회위원장 김무영 ( 세종대학교교수 ) - 음향및신호처리 송병철 ( 인하대학교교수 ) - 영상신호처리 이찬수 ( 영남대학교교수 ) - 영상이해 예종철 (KAIST 교수 ) - 바이오영상신호처리

19 시스템및제어소사이어티 회 장 김영철 ( 군산대학교교수 ) 부 회 장 김수찬 ( 한경대학교교수 ) 유정봉 ( 공주대학교교수 ) 이경중 ( 연세대학교교수 ) 주영복 ( 한국기술교육대학교교수 ) 감 사 김영진 ( 생산기술연구원박사 ) 남기창 ( 동국대학교교수 ) 총무이사 권종원 ( 한국산업기술시험원선임연구원 ) 김용태 ( 한경대학교교수 ) 재무이사 김준식 (KIST 박사 ) 최영진 ( 한양대학교교수 ) 학술이사 김용권 ( 건양대학교교수 ) 서성규 ( 고려대학교교수 ) 편집이사 남기창 ( 동국대학교교수 ) 이수열 ( 경희대학교교수 ) 기획이사 이덕진 ( 군산대학교교수 ) 최현택 ( 한국해양과학기술원책임연구원 ) 사업이사 고낙용 ( 조선대학교교수 ) 양연모 ( 금오공과대학교교수 ) 이석재 ( 대구보건대학교교수 ) 산학연이사 강대희 ( 유도 박사 ) 조영조 ( 한국전자통신연구원박사 ) 홍보이사 김호철 ( 을지대학교교수 ) 박재병 ( 전북대학교교수 ) 여희주 ( 대진대학교교수 ) 회원이사 권오민 ( 충북대학교교수 ) 김기연 ( 한국산업기술시험원주임연구원 ) 김종만 ( 전남도립대학교교수 ) 김지홍 ( 전주비전대학교교수 ) 문정호 ( 강릉원주대학교교수 ) 박명진 ( 경희대학교교수 ) 변영재 (UNIST 교수 ) 송철규 ( 전북대학교교수 ) 이상준 ( 선문대학교교수 ) 이태희 ( 전북대학교교수 ) 이학성 ( 세종대학교교수 ) 정재훈 ( 동국대학교교수 ) 최수범 (KISTI 연구원 ) 자문위원 김덕원 ( 연세대학교교수 ) 김희식 ( 서울시립대학교교수 ) 박종국 ( 경희대학교교수 ) 서일홍 ( 한양대학교교수 ) 오상록 (KIST 분원장 ) 오승록 ( 단국대학교교수 ) 오창현 ( 고려대학교교수 ) 정길도 ( 전북대학교교수 ) 허경무 ( 단국대학교교수 ) 연구회위원장 한수희 (POSTECH 교수 ) - 제어계측 이성준 ( 한양대학교교수 ) - 회로및시스템 남기창 ( 동국대학교교수 ) - 의용전자및생체공학 김규식 ( 서울시립대학교교수 ) - 전력전자 김영철 ( 군산대학교교수 ) - 지능로봇 이석재 ( 대구보건대학교교수 ) - 국방정보및제어 이덕진 ( 군산대학교교수 ) - 자동차전자 오창현 ( 고려대학교교수 ) - 의료영상시스템 권종원 ( 한국산업기술시험원선임연구원 ) - 스마트팩토리 산업전자소사이어티 회 장 이병선 ( 김포대학교교수 ) 명예회장 원영진 ( 부천대학교교수 ) 자 문 단 윤기방 ( 인천대학교명예교수 ) 강창수 ( 유한대학교교수 ) 이원석 ( 동양미래대학교교수 ) 이상회 ( 동서울대학교교수 ) 남상엽 ( 국제대학교교수 ) 이상준 ( 수원과학대학교교수 ) 최영일 ( 조선이공대학교총장 ) 김용민 ( 충청대학교교수 ) 윤한오 ( 경주스마트미디어센터교수 ) 김종부 ( 인덕대학교교수 ) 진수춘 ( 한백전자대표 ) 장 철 ( 우성정보기술대표 ) 한성준 ( 아이티센부사장 ) 감 사 김은원 ( 대림대학교교수 ) 이시현 ( 동서울대학교교수 ) 부 회 장 김동식 ( 인하공업전문대학교수 ) 상임이사 김 현 ( 부천대학교교수 ) 김상범 ( 폴리텍인천교수 ) 김영로 ( 명지전문대학교수 ) 김영선 ( 대림대학교교수 ) 김태용 ( 구미대학교교수 ) 김태원 ( 상지영서대학교교수 ) 동성수 ( 용인송담대학교교수 ) 서춘원 ( 김포대학교교수 ) 성해경 ( 한양여자대학교교수 ) 송도선 ( 우송정보대학교교수 ) 안태원 ( 동양미래대학교교수 ) 엄우용 ( 인하공업전문대학교수 ) 우찬일 ( 서일대학교교수 ) 윤중현 ( 조선이공대학교교수 ) 이문구 ( 김포대학교교수 ) 이태동 ( 국제대학교교수 ) 정재필 ( 가천대학교교수 ) 조도현 ( 인하공업전문대학교수 ) 최의선 ( 폴리텍아산캠퍼스교수 ) 협동상임이사 강현웅 ( 핸즈온테크놀로지대표 ) 김세종 (SJ정보통신부사장 ) 김응연 ( 인터그래텍대표 ) 김진선 ( 청파이엠티본부장 ) 김태형 ( 하이버스대표 ) 박현찬 ( 나인플러스EDA 대표 ) 서봉상 ( 올포랜드이사 ) 성재용 ( 오픈링크시스템대표 ) 송광헌 ( 복두전자대표 ) 송치봉 ( 웨이버스이사 ) 유성철 (LG 히다찌본부장 ) 이영준 ( 비츠로시스본부장 ) 전한수 ( 세림티에스지이사 ) 조규남 ( 로봇신문사대표 ) 조병용 ( 태진인포텍부사장 ) 조한일 ( 에이블정보기술상무 ) 최석우 ( 한국정보기술상무 ) 재무이사 강민구 ( 경기과학기술대학교교수 ) 강희훈 ( 여주대학교교수 ) 곽칠성 ( 재능대학교교수 ) 김경복 ( 경복대학교교수 ) 문현욱 ( 동원대학교교수 ) 안성수 ( 명지전문대학교수 ) 이용구 ( 한림성심대학교교수 ) 이종하 ( 전주비전대학교교수 ) 주진화 ( 오산대학교교수 ) 학술이사 구자일 ( 인하공업전문대학교수 ) 김덕수 ( 동양미래대학교교수 ) 김용중 ( 한국폴리텍대학교수 ) 김종오 ( 동양미래대학교교수 ) 이동영 ( 명지전문대학교수 ) 이영종 ( 여주대학교교수 ) 이영진 ( 을지대학교교수 ) 이종용 ( 광운대학교교수 ) 장경배 ( 고려사이버대학교교수 ) 정경권 ( 동신대학교교수 ) 사업이사 고정환 ( 인하공업전문대학교수 ) 김영우 ( 두원공과대학교교수 ) 김윤석 ( 상지영서대학교교수 ) 박진홍 ( 혜전대학교교수 ) 방극준 ( 인덕대학교교수 ) 변상준 ( 대덕대학교교수 ) 심완보 ( 충청대학교교수 ) 오태명 ( 명지전문대학교수 ) 장성석 ( 영진전문대학교수 ) 산학연이사 서병석 ( 상지영서대학교교수 ) 성홍석 ( 부천대학교교수 ) 원우연 ( 폴리텍춘천교수 ) 이규희 ( 상지영서대학교교수 ) 이정석 ( 인하공업전문대학교수 ) 이종성 ( 부천대학교교수 ) 정환익 ( 경복대학교교수 ) 최홍주 ( 상지영서대학교교수 ) 한완옥 ( 여주대학교교수 ) 협동이사 강현석 ( 로보웰코리아대표 ) 고강일 ( 이지테크대표 ) 김민준 ( 베리타스부장 ) 김연길 ( 대보정보통신본부장 ) 김창일 ( 아이지대표 ) 김태웅 ( 윕스부장 ) 남승우 ( 상학당대표 ) 박정민 ( 오므론과장 ) 오재곤 ( 세인부사장 ) 유제욱 ( 한빛미디어부장 ) 이요한 ( 유성SDI 대표 ) 이진우 ( 글로벌이링크대표 )

20 The Magazine of the IEIE 제 21 대평의원명단 강대성 ( 동아대학교교수 ) 강문식 ( 강릉원주대학교교수 ) 강봉순 ( 동아대학교교수 ) 강성원 ( 한국전자통신연구원부장 ) 강창수 ( 유한대학교교수 ) 고성제 ( 고려대학교교수 ) 고요환 (( 주 ) 매그나칩반도체전무 ) 고윤호 ( 충남대학교교수 ) 고정환 ( 인하공업전문대학교수 ) 고현석 ( 한국전자통신연구원선임연구원 ) 공배선 ( 성균관대학교교수 ) 공준진 ( 삼성전자마스터 ) 구용서 ( 단국대학교교수 ) 구자일 ( 인하공업전문대학교수 ) 권기룡 ( 부경대학교교수 ) 권기원 ( 성균관대학교교수 ) 권오경 ( 한양대학교교수 ) 권종기 ( 한국전자통신연구원책임연구원 ) 권종원 ( 한국산업기술시험원선임연구원 ) 권혁인 ( 중앙대학교교수 ) 권호열 ( 강원대학교교수 ) 김강욱 ( 경북대학교교수 ) 김경기 ( 대구대학교교수 ) 김경연 ( 제주대학교교수 ) 김규식 ( 서울시립대학교교수 ) 김기남 ( 삼성전자사장 ) 김기호 ( 삼성전자부사장 ) 김남용 ( 강원대학교교수 ) 김달수 ( 티엘아이대표이사 ) 김대환 ( 국민대학교교수 ) 김덕진 ( 명예회장 ) 김도현 ( 명예회장 ) 김도현 ( 제주대학교교수 ) 김동규 ( 한양대학교교수 ) 김동순 ( 전자부품연구원박사 ) 김동식 ( 인하공업전문대학교수 ) 김동식 ( 한국외국어대학교교수 ) 김무영 ( 세종대학교교수 ) 김봉태 ( 한국전자통신연구원소장 ) 김부균 ( 숭실대학교교수 ) 김상태 ( 한국산업기술평가관리원실장 ) 김상효 ( 성균관대학교교수 ) 김선용 ( 건국대학교교수 ) 김선욱 ( 고려대학교교수 ) 김선일 ( 한양대학교교수 ) 김성대 (KAIST 교수 ) 김성진 ( 경남대학교교수 ) 김성호 ( 한국산업기술평가관리원팀장 ) 김소영 ( 성균관대학교교수 ) 김수원 ( 고려대학교교수 ) 김수중 ( 명예회장 ) 김수찬 ( 한경대학교교수 ) 김수환 ( 서울대학교교수 ) 김승천 ( 한성대학교교수 ) 김시호 ( 연세대학교교수 ) 김영권 ( 명예회장 ) 김영로 ( 명지전문대학교수 ) 김영선 ( 대림대학교교수 ) 김영철 ( 군산대학교교수 ) 김영환 ( 포항공과대학교교수 ) 김용민 ( 충청대학교교수 ) 김용석 ( 성균관대학교교수 ) 김용신 ( 고려대학교교수 ) 김원종 ( 한국전자통신연구원팀장 ) 김원하 ( 경희대학교교수 ) 김윤희 ( 경희대학교교수 ) 김재석 ( 연세대학교교수 ) 김재현 ( 아주대학교교수 ) 김재희 ( 연세대학교교수 ) 김정식 ( 대덕전자회장 ) 김정태 ( 이화여자대학교교수 ) 김정호 ( 이화여자대학교교수 ) 김종대 ( 한국전자통신연구원연구위원 ) 김종옥 ( 고려대학교교수 ) 김준모 ( 한국과학기술원교수 ) 김지훈 ( 서울과학기술대학교교수 ) 김진영 ( 광운대학교교수 ) 김창수 ( 고려대학교교수 ) 김창용 ( 삼성전자 DMC 연구소장 ) 김창익 ( 한국과학기술원교수 ) 김철동 (( 주 ) 세원텔레텍대표이사 ) 김철우 ( 고려대학교교수 ) 김태욱 ( 연세대학교교수 ) 김태원 ( 상지영서대학교교수 ) 김 현 ( 부천대학교교수 ) 김현수 ( 삼성전자상무 ) 김형탁 ( 홍익대학교교수 ) 김홍국 ( 광주과학기술원교수 ) 김 훈 ( 인천대학교교수 ) 김희석 ( 청주대학교교수 ) 김희식 ( 서울시립대학교교수 ) 나정웅 ( 명예회장 ) 남기창 ( 동국대학교교수 ) 남상엽 ( 국제대학교교수 ) 남상욱 ( 서울대학교교수 ) 노원우 ( 연세대학교교수 ) 노정진 ( 한양대학교교수 ) 노태문 ( 한국전자통신연구원책임연구원 ) 동성수 ( 용인송담대학교교수 ) 류수정 ( 삼성전자상무 ) 문영식 ( 한양대학교교수 ) 문 용 ( 숭실대학교교수 ) 민경식 ( 국민대학교교수 ) 박광로 ( 한국전자통신연구원책임연구원 ) 박광석 ( 서울대학교교수 ) 박규태 ( 명예회장 ) 박동일 ( 현대자동차 전무 ) 박래홍 ( 서강대학교교수 ) 박병국 ( 서울대학교교수 ) 박성욱 (SK하이닉스부회장 ) 박성한 ( 명예회장 ) 박수현 ( 국민대학교교수 ) 박인규 ( 인하대학교교수 ) 박종일 ( 한양대학교교수 ) 박주현 ( 영남대학교교수 ) 박진옥 ( 명예회장 ) 박찬구 ( 인피니언테크놀로지스파워세미텍대표이사 ) 박춘명 ( 한국교통대학교교수 ) 박항구 ( 명예회장 ) 박현욱 ( 한국과학기술원교수 ) 박현창 ( 동국대학교교수 ) 박형무 ( 동국대학교교수 ) 박홍준 ( 포항공과대학교교수 ) 방성일 ( 단국대학교교수 ) 백광현 ( 중앙대학교교수 ) 백만기 ( 김 & 장법률사무소변리사 ) 백준기 ( 중앙대학교교수 ) 백흥기 ( 전북대학교교수 ) 범진욱 ( 서강대학교교수 ) 변영재 ( 울산과학기술대학교교수 ) 서승우 ( 서울대학교교수 ) 서정욱 ( 명예회장 ) 서철헌 ( 숭실대학교교수 ) 서춘원 ( 김포대학교교수 ) 선우명훈 ( 아주대학교교수 ) 성굉모 ( 명예회장 ) 성하경 ( 전자부품연구원선임연구본부장 ) 성해경 ( 한양여자대학교교수 ) 손광준 ( 한국산업기술평가관리원 PD) 손광훈 ( 연세대학교교수 ) 손보익 ( 실리콘웍스대표이사 ) 송문섭 (( 유 ) 엠세븐시스템대표이사 ) 송민규 ( 동국대학교교수 ) 송병철 ( 인하대학교교수 ) 송상헌 ( 중앙대학교교수 ) 송용호 ( 한양대학교교수 ) 송제호 ( 전북대학교교수 ) 송창현 ( 네이버 CTO) 신오순 ( 숭실대학교교수 ) 신요안 ( 숭실대학교교수 ) 신지태 ( 성균관대학교교수 ) 신현철 ( 한양대학교교수 ) 신현철 ( 광운대학교교수 ) 심대용 (SK하이닉스상무 ) 심동규 ( 광운대학교교수 ) 심정연 ( 강남대학교교수 ) 안길초 ( 서강대학교교수 ) 안병구 ( 홍익대학교교수 ) 안성수 ( 명지전문대학교수 ) 안승권 (LG 전자사장 ) 안태원 ( 동양미래대학교교수 ) 안현식 ( 동명대학교교수 ) 양일석 ( 한국전자통신연구원책임연구원 ) 엄낙웅 ( 한국전자통신연구원소장 ) 엄일규 ( 부산대학교교수 ) 연규봉 ( 자동차부품연구원센터장 ) 예종철 ( 한국과학기술원교수 ) 오상록 ( 한국과학기술연구원분원장 ) 오성목 (KT 사장 ) 오승록 ( 단국대학교교수 ) 오창현 ( 고려대학교교수 ) 우남성 (( 전 ) 삼성전자사장 ) 우운택 ( 한국과학기술원교수 ) 원영진 ( 부천대학교교수 ) 원용관 ( 전남대학교교수 ) 유경식 ( 한국과학기술원교수 ) 유명식 ( 숭실대학교교수 ) 유윤섭 ( 한경대학교교수 ) 유정봉 ( 공주대학교교수 ) 유창동 ( 한국과학기술원교수 ) 유창식 ( 한양대학교교수 ) 유태환 ( 한국전자통신연구원책임연구원 ) 유현규 ( 한국전자통신연구원책임연구원 )

21 유회준 ( 한국과학기술원교수 ) 윤기방 ( 인천대학교교수 ) 윤석현 ( 단국대학교교수 ) 윤성로 ( 서울대학교교수 ) 윤영권 ( 삼성전자마스터 ) 윤은준 ( 경일대학교교수 ) 윤일구 ( 연세대학교교수 ) 윤종용 ( 삼성전자비상임고문 ) 윤지훈 ( 서울과학기술대학교교수 ) 이가원 ( 충남대학교교수 ) 이강윤 ( 성균관대학교교수 ) 이경중 ( 연세대학교교수 ) 이광엽 ( 서경대학교교수 ) 이규대 ( 공주대학교교수 ) 이문구 ( 김포대학교교수 ) 이문기 ( 명예회장 ) 이민호 ( 경북대학교교수 ) 이병근 ( 광주과학기술원교수 ) 이병선 ( 김포대학교교수 ) 이병욱 ( 이화여자대학교교수 ) 이상근 ( 중앙대학교교수 ) 이상설 ( 명예회장 ) 이상홍 ( 정보통신기술진흥센터센터장 ) 이상회 ( 동서울대학교교수 ) 이상훈 ( 한국전자통신연구원원장 ) 이성수 ( 숭실대학교교수 ) 이성준 ( 한양대학교교수 ) 이승호 ( 한밭대학교교수 ) 이승훈 ( 서강대학교교수 ) 이영렬 ( 세종대학교교수 ) 이용구 ( 한림성심대학교교수 ) 이원석 ( 동양미래대학교교수 ) 이윤식 ( 울산과학기술대학교교수 ) 이윤종 (( 주 ) 동부하이텍부사장 ) 이인규 ( 고려대학교교수 ) 이장명 ( 부산대학교교수 ) 이재진 ( 숭실대학교교수 ) 이재홍 ( 서울대학교교수 ) 이종호A ( 서울대학교교수 ) 이종호B ( 서울대학교교수 ) 이진구 ( 명예회장 ) 이찬수 ( 영남대학교교수 ) 이찬호 ( 숭실대학교교수 ) 이창우 ( 가톨릭대학교교수 ) 이채은 ( 인하대학교교수 ) 이천희 (( 전 ) 청주대학교교수 ) 이충용 ( 연세대학교교수 ) 이충웅 ( 명예회장 ) 이태원 ( 명예회장 ) 이필중 ( 포항공과대학교교수 ) 이한호 ( 인하대학교교수 ) 이혁재 ( 서울대학교교수 ) 이현중 ( 한국전자통신연구원박사 ) 이호경 ( 홍익대학교교수 ) 이흥노 ( 광주과학기술원교수 ) 이희국 ( LG 상근고문 ) 이희덕 ( 충남대학교교수 ) 인치호 ( 세명대학교교수 ) 임기택 ( 전자부품연구원센터장 ) 임신일 ( 서경대학교교수 ) 임재열 ( 한국기술교육대학교교수 ) 임제탁 ( 명예회장 ) 임혜숙 ( 이화여자대학교교수 ) 장은영 ( 공주대학교교수 ) 장태규 ( 중앙대학교교수 ) 전국진 ( 서울대학교교수 ) 전민용 ( 충남대학교교수 ) 전병우 ( 성균관대학교교수 ) 전순용 ( 동양대학교교수 ) 전영현 ( 삼성전자사장 ) 전홍태 ( 중앙대학교교수 ) 정교일 ( 한국전자통신연구원책임연구원 ) 정길도 ( 전북대학교교수 ) 정성욱 ( 연세대학교교수 ) 정승원 ( 동국대학교교수 ) 정영모 ( 한성대학교교수 ) 정원영 ( 인제대학교교수 ) 정윤호 ( 한국항공대학교교수 ) 정은승 ( 삼성전자부사장 ) 정의영 ( 연세대학교교수 ) 정정화 ( 명예회장 ) 정종문 ( 연세대학교교수 ) 정 준 ( 쏠리드대표이사 ) 정진용 ( 인하대학교교수 ) 정항근 ( 전북대학교교수 ) 제민규 ( 한국과학기술원교수 ) 조경순 ( 한국외국어대학교교수 ) 조남익 ( 서울대학교교수 ) 조도현 ( 인하공업전문대학교수 ) 조명진 ( 네이버박사 ) 조민호 ( 고려대학교교수 ) 조상복 ( 울산대학교교수 ) 조성현 ( 한양대학교교수 ) 조성환 ( 한국과학기술원교수 ) 조영조 ( 한국전자통신연구원책임연구원 ) 조중휘 ( 인천대학교교수 ) 조춘식 ( 한국항공대학교교수 ) 주성순 ( 한국전자통신연구원박사 ) 주영복 ( 한국기술교육대학교교수 ) 진 훈 ( 경기대학교교수 ) 차호영 ( 홍익대학교교수 ) 천경준 ( 씨젠회장 ) 최강선 ( 한국기술교육대학교교수 ) 최기영 ( 서울대학교교수 ) 최병덕 ( 한양대학교교수 ) 최승원 ( 한양대학교교수 ) 최승종 (LG 전자전무 ) 최영규 ( 한국교통대학교교수 ) 최용수 ( 성결대학교교수 ) 최우영 ( 서강대학교교수 ) 최윤식 ( 연세대학교교수 ) 최준림 ( 경북대학교교수 ) 최중호 ( 서울시립대학교교수 ) 최진성 (SK텔레콤전무 ) 최천원 ( 단국대학교교수 ) 최현철 ( 경북대학교교슈 ) 한대근 (( 전 ) 실리콘웍스대표이사 ) 한동석 ( 경북대학교교수 ) 한수희 ( 포항공과대학교교수 ) 한영선 ( 경일대학교교수 ) 한완옥 ( 여주대학교교수 ) 한재호 ( 고려대학교교수 ) 한종기 ( 세종대학교교수 ) 한태희 ( 성균관대학교교수 ) 함철희 ( 삼성전자마스터 ) 허 염 ( 실리콘마이터스대표이사 ) 허 영 ( 한국전기연구원본부장 ) 허재두 ( 한국전자통신연구원본부장 ) 허 준 ( 고려대학교교수 ) 호요성 ( 광주과학기술원교수 ) 홍국태 (LG 전자연구위원 ) 홍대식 ( 연세대학교교수 ) 홍민철 ( 숭실대학교교수 ) 홍승홍 ( 명예회장 ) 홍용택 ( 서울대학교교수 ) 홍유식 ( 가톨릭상지대학교교수 ) 황성운 ( 홍익대학교교수 ) 황승구 ( 한국전자통신연구원소장 ) 황승훈 ( 동국대학교교수 ) 황인철 ( 강원대학교교수 ) 사무국직원명단송기원국장 - 대외업무, 업무총괄, 기획, 자문, 산학연, 선거, 지부이안순부장 - 국내학술, 총무, 포상, 임원관련, 시스템및제어소사이어티배지영차장 - 국제학술, 국문논문, 교육, 컴퓨터소사이어티, 산업전자소사이어티배기동차장 - 사업, 표준화, 용역, 회원관리, 홍보, 신호처리소사이어티변은정차장 - 재무 ( 본회 / 소사이어티 / 연구회 ), 학회지, 통신소사이어티김천일과장 - 정보화, 반도체소사이어티장다희서기 - 국제학술, 국제업무, SPC/JSTS 영문지발간

22 신 년 사 백준기학회장 ( 중앙대학교교수 ) 대한전자공학회는우리나라의전자정보통신 (ICT) 산업과기술의학문적기반과생태계를책임지고있습니다. 자타가공인하는국내최대 / 최고의학회로서의역할을규정하기위해서많은고민을해보았습니다. 우리나라의소프트웨어기술은아직도세계최고수준에못미치고, 제조업은중국의추월이눈앞에서진행되고있는어려운상황입니다. 우리는이러한위기를앞장서서극복해야하는 ICT산업기술의대표학회로서, 다음과같은사업들을흔들림없이수행하고자합니다. 첫째, 패배주의를극복하겠습니다. 사회전반에서위기를말하고있습니다. 학회도회원수감소, 논문수감소, 유사학회간경쟁심화등어려움속에서, 우수한연구결과는외국학회에발표하고국내학회에는수동적으로참여하며, 정작신규회원으로가입을권유하기에도자신이없는패배주의를극복해야하겠습니다. 둘째, 학회의대외적인역할을충실히수행하는동시에내부문제도적극적으로개선하겠습니다. 산학협동의기반마련, 정부및타기관과의협조, 그리고타학회와선의의경쟁을통해서 ICT산업기술발전에기여하는학회가되겠습니다. 동시에학회내부에산적한문제들에대해서구성원의의견을듣고해결을위한대책을적극적으로마련하겠습니다. 특히학회산하에있는소사이어티의발전과선거제도의보완을통해서새롭게태어나는학회의모습을보여드리겠습니다. 셋째, 학회본연의업무인학술활동의규모와수준을획기적으로제고하겠습니다. ICEIC-2018(1월, 하와이 ) 와 ICCE-Asia(6월, 제주 ) 두개의국제학술대회를 IEEE Consumer Electronics Society와공동으로개최하여국제적인인지도를높이고, 발표논문을 IEEE Xplore에게재하는동시에학회영문저널과연계하여 ICT 학문생태계를선도하겠습니다. 하계종합학술대회 (6월, 제주 ) 는명실공히우리학회의대표학술대회로발전시키겠습니다. 또한현재 SCIE에등재되어있는영문저널인 Journal of Semiconductor Technology and Science (JSTS) 를더욱발전시키고, IEIE Trans. Smart Processing and Computing (SPC) 을조속한기간내에 SCI에등재될수있게노력하겠습니다. 이상과같은사업의성공적인수행을위해서학회회원모두의동참과협조를부탁드립니다. 대망의 2018년이밝았습니다. 올해는황금개를의미하는무술년 ( 戊戌年 ) 인데, 전통적으로개는살아움직이는활발한기운을의미하고있습니다. 부디대한전자공학회와회원여러분가정에도활력이넘치고행운이충만하기를기원합니다. 12 _ The Magazine of the IEIE 12

23 제1차상임이사회개최 1월 4일 ( 목 ) 오후 6시 SC컨벤션센터아나이스홀 ( 과학기술회관 12 층 ) 에서제 1차상임이사회가개최되었다. 이번회의에는상견례, 임명장수여, 그룹별연간사업계획보고등으로진행되었으며, 금년한해학회가새롭게도약하는한해가될수있도록노력하기로하였다 년단기계속교육강좌 ( 고속디지털통신및네트워크기술 ) 통신연구회 ( 위원장 : 김광순교수 ( 연세대 )) 에서는 1월 8일 ( 월 )~12일 ( 금 ) 고려대학교공학관 5층 566호강당에서 2018년단기계속교육강좌 ( 고속디지털통신및네트워크기술 ) 을개최하였다. 이번단기강좌에서는연구소, 산업체, 교육기관에종사하는분들에게최신디지털통신및네트워크기술을단기간에종합적으로습득할수있는기회를제공하기위하여디지털통신및네트워크전분야에서활발하게연구및기술개발을수행하고계시는여러교수님들을모시고 고속디지털통신및네트워크기술 을진행하였으며, 약 70여명이참석하였다. 제 1 차상임이사회 2018 년단기계속교육강좌 13 전자공학회지 _ 13

24 학회일지 The Institute of Electronics and Information Engineers 2018년 1월 1일 ~ 2018년 1월 20일 1. 회의개최 회의명칭일시장소주요안건 ICEIC 2018 제 6 차운영위원회의 1.10 (7:30) 신라호텔 - 학술대회최종점검 시스템및제어소사이어티이사회 1.11 (17:00) 전주시호남각 년도사업계획논의외 컴퓨터소사이어티이사회 1.12 (17:00) 학회회의실 년도임원상견례및사업계획논의외 제 1 차회원관리위원회의 1.17 (8:30) 팔래스호텔 년도위원상견례및회원증대방안논의외 제 1 차회지편집위원회의 1.19 (17:00) 학회회의실 년도위원상견례및편집기주제선정논의외 2. 행사개최 행사명칭일시장소주관 2018 단기계속교육강좌 - 고속디지털통신및네트워크기술 1.8~1.12 고려대학교공학관 5 층통신연구회 14 _ The Magazine of the IEIE 14

25 특 집 편 집 기 AI( 인공지능 ) 반도체 김동규편집위원 ( 한양대학교 ) 본호에서는 4 차산업혁명의 가장중요한기술중의하나인인공지능기술과관련된주제를다루고자합니다. 이미학회지의이전호에서도인공지능기술에대하여여러번다루었지만, 현재의가장큰화두가되는분야이기에인공지능과관련된기술은아무리강조해도지나치지않는주요기술인것같습니다. 인공지능과관련하여인공신경망 (Neural Networks) 의구조 (Architecture) 개발기술, 딥 러닝기술, 빅데이터에기반한학습기술, 기타응용기술과관련하여서는비록본학회지가아니더라도관련동향에관한문서들은여러곳에서만나보실수있었을것같습니다. 본호에서는특별히인공지능을위한다양한구조의컴퓨팅플랫폼을지원하는하드웨어시스템에서컴퓨팅성능을향상시키는 AI 용반도체의기술과이와관련한연구동향을좀더중점적으로다루어보고자합니다. 먼저학계에서는세편의논문이준비되었습니다. 머신러닝가속기연구동향 ( 연세대노원우교수외 ) 에서는머신러닝을성능을향상시키기위한가속기에대하여연구동향을소개합니다. 그리고 효율적메모리관리를통한 CNN 가속기의최적화 ( 포스텍이영주교수외 ) 에서는학습을위한효율적인메모리운영방안을소개하고이를최적화하는기술에대하여설명합니다. 또한, 에너지고효율인공지능하드웨어 (DGIST 궁재하교수 ) 에서는방대한빅데이터들에기반한대규모머신러닝시스템을구동시발생하는에너지소모량의문제를해결하기위한동향및기술에대하여소개합니다. 다음으로연구기관에서는두편의논문이준비되었습니다. 인공지능하드웨어설계및최적화기술 (ETRI 김원종박사외 ) 에서는최적화된하드웨어설계기술을소개하고, 뉴로모픽컴퓨팅기술 (KETI 황태호연구원 ) 에서는일반적인인공지능컴퓨팅기술의동향을소개합니다. 마지막으로산업체에서의논문인 인공지능반도체 NM500 (Nepes 최기원팀장 ) 에서실제상용화된 AI 반도체제품의소개를통하여 AI 반도체의구현예를보여주고있습니다. 연말연시의바쁘신일정중에도본특집호의원고를작성해주신학계, 연구기관및산업체의전문가이신집필진여러분께깊은감사를드립니다. 특집호가인공지능을위한컴퓨팅플랫폼의구현에핵심적인 AI 반도체의개발기술및동향에대하여일반독자들에게이해도를높이고, 전문가들의교류와협력을위한계기가되어 AI 반도체기술의발전에작은도움이되기를희망합니다. 15 전자공학회지 _ 15

26 특집 머신러닝가속기연구동향 머신러닝가속기연구동향 Ⅰ. 서론 박세훈연세대학교전기전자공학과김재억연세대학교전기전자공학과신현준연세대학교전기전자공학과노원우연세대학교전기전자공학과 인공지능은인간의지적능력을모방하기위한방법을연구하는분야로컴퓨터공학및반도체를포함한여러분야에직간접적으로많은영향을주고있다. 최근인공신경망알고리즘과기계학습에대한활발한연구결과로인해, 이미지인식, 자연어처리등의특정분야에서그정확도가인간수준까지올라가고있으며, 향후자율주행자동차, 자동화시스템등의분야에서도큰성과를보일것으로예측된다. 특히, 알고리즘의정확도를높이는연구가가장활발히진행되고있으며, 그러한알고리즘을빠르고효율적으로구현하는하드웨어가속기에대한연구도활발히진행되고있다. 인공신경망의목적은학습을통해기계의문제해결능력을키우는데있다. 우리가여기서간과하면안되는것은문제를해결하는것만이중요한것이아니라그과정을처리하는데필요한시간과에너지도어느정도합리적인수준에도달해야한다는것이다. 현재 GPU를인공지능연구를위한하드웨어로가장보편적으로사용하고있다. GPU 는병렬연산에특화된연산기이니만큼인공신경망알고리즘연산에있어서도탁월한성능을보여준다. 하지만인공신경망의활용성이확산되고사용량이나날이증가함에따라그에따른전용연산기의필요성이대두되고있는데, 이는다목적의 GPU에서인공신경망알고리즘연산시에발생할수있는문제점들을보완한효율적인하드웨어구조의개발로이어진다. 대표적으로구글사를예로들면, 자체기계학습전용칩인 Tensor Processing Unit (TPU) 를개발하였으며이를자신들의서비스에사용하고있다 [1]. 이뿐만아니라, 학계에서도이와관련된연구들이끊임없이나오고있다. 본글에서는인공지능가속기의연구동향에대한전반적인내용을 16 _ The Magazine of the IEIE 16

27 머신러닝가속기연구동향 소개하고자한다. 2절에는인공지능의태동, 인공신경망및기계학습기술에대한배경이소개될것이다. 3절에는인공신경망의문제점을설명하고가속기를통한해결책과가속기의필요성에대해서논의할것이다. 4절에서는최신학계의연구기술과산업계에서의응용기술에대해소개하고요즘확산되고있는인공지능분야의트렌드에대해서설명할것이다. Ⅱ. 배경 높은공신력을가진 IT 분야리서치기업 Gartner는 2017년과 2018년 10대전략기술동향에서 1순위에서 3 순위까지인공지능관련분야를선정하였다 [2-3]. 현재인공지능분야는세계적으로큰관심과투자를받고있으며딥러닝은현시대에각광받고있는기술이다. 그러나대중적인자료에서인공지능이라는포괄적인단어를주로사용함으로인해일부사람들은현재발전중인기술과가능성에대해혼동하는경우가많다. < 그림 1> 선형회귀모델및테스트데이터추론 인공지능은기계로부터만들어진지능을의미하는데, 이용어는굉장히광범위하다. 현관문앞에서적외선센서를통해움직임을감지하면조명이켜지는시스템부터인간의말을알아듣고정보를활용해적절히반응하는영화속로봇까지모두인공지능으로간주할수있을정도다. 의미를조금더명확하게해주기위해서용어를세분화하면, 조명시스템과같이특정문제를해결하기위해지능을흉내내는프로그램을약인공지능이라하고, 영화속로봇과같이다양한문제에대해실제로사고하고해결하는프로그램을강인공지능이라한다. 여기서딥러닝은약인공지능에관해서만발전중이며현재까지강인공지능은구현되지않았음에도불구하고, 자료속인공지능을보고강인공지능이당장상용화될것이라고생각하는것이주된오류이다. 인공지능과딥러닝의차이를명확히파악하기위해인공지능, 기계학습, 딥러닝, 신경망의의미와관계를알아보겠다. 인공지능을구현하는방법에는조명시스템과같이인간이직접설계한알고리즘을활용하는방법이있고컴퓨터가학습을통해알고리즘을설계하도록하는방법이있다. 후자를기계학습이라하며간단한예로는 < 그림 1> 의선형회귀를들수있다. y=ax+b라는규칙은인간이설계하지만가지고있는훈련데이터의 x, y 값을학습하여컴퓨터가직접 a와 b의값을설정하는것이다. 이를통해처음보는데이터 x에대한 y 값을추론할수있게된다. 딥러닝은기계학습의한종류로컴퓨터가 < 그림 2> 와같이인간뇌의신경망형태를모방하여입력층과출력층사이에있는은닉층을통해선형회귀의 a와 < 그림 2> 딥러닝에서사용하는신경망모델 17 전자공학회지 _ 17

28 박세훈, 김재억, 신현준, 노원우 b보다복잡한데이터처리를하게된다. 정리하자면, 4가지용어의관계는 < 그림 3> 과같이인공지능이기계학습을포함하고기계학습이딥러닝을포함하며신경망은딥러닝에서사용하는학습모델이라고볼수있다. 그럼이제현시대딥러닝이각광받는이유를파악하기위해딥러닝의발전에대해알아보겠다. 가장처음딥러닝의가능성을보여준적용분야는영상분류이다 년 Yann LeCun 교수는 0부터 9까지의숫자에대한손글씨영상의값을출력하는프로그램을딥러닝으로구현하여최대 99.3% 의정확도를달성하였다 [4]. 각영상은 픽셀이고, 6만개의훈련데이터영상과 1만개의테스트데이터영상을가진 MNIST 데이터셋을사용하였다. 그러나이것은기계학습중하나인서포트벡터머신이달성한정확도 99.2% 와큰차이를보이지않았다. 즉, 정확도측면에서기존의알고리즘을대체할수있는수준의가능성을나타내지는못하였다. 이후, 딥러닝의발전을뒷받침하는빅데이터분야가꾸준히발전해왔다. 2009년 Stanford와 Princeton 대학이 < 그림 3> 인공지능, 기계학습, 딥러닝의관계 < 그림 4> 기존알고리즘과딥러닝을사용한 ILSVRC 참가팀의영상분류정확도 [9] 협력하여 21,841가지종류에대한 14,197,122개의영상을수집하여 ImageNet이라는이름으로공개하였다 [5]. 이중 1000가지종류에대한 1,281,167개의훈련영상, 50,000개의평가영상, 그리고 100,000개의테스트영상을활용해 ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 을개최했다. ILSVRC는 2010년부터 2017년까지매년열리고있고, 대회의종중영상분류종목은매년꾸준히진행되고있다. Alex Krizhevsky 는 2012년처음으로딥러닝을이용해 ILSVRC에참가하였고영상분류종목에서기존알고리즘의한계였던정확도 74.2% 를 83.6% 로성장시켰다 [6]. < 그림 4> 는 ILSVRC 에참가한모든팀의정확도를기존알고리즘과딥러닝으로구분하여보여준다. ILSVRC 2012에서영상분류종목에서딥러닝알고리즘은기존알고리즘을대체할수있음을입증하였다. 그이후, ILSVRC 2013에서 24팀중 20팀이, ILSVRC 2014부터는모든참가팀이딥러닝을사용하면서딥러닝의잠재력을보여주었다. 딥러닝의가능성이알려진이후학계에서는딥러닝에대한연구가활발해졌고영상분류외에도음성인식, 기계번역등다양한분야로적용되어큰효과를보여주고있다. 이미딥러닝에대한많은연구들이진행되고가능성을충분히보여줬지만인공지능이대중들에게널리알려진것은구글사의알파고덕분이다. 구글딥마인드에서개발한알파고는딥러닝을활용한바둑두는프로그램으로 2016년 3월이세돌과의대결에서 4:1로승리하며그위상을세상에알렸다 [7]. 바둑만큼은컴퓨터가인간을이길수없다는통념을깬것과함께전세계에대국을생중계한것이대중에게인공지능을알릴수있도록하는큰계기가된것이다. 위에서설명한현재의딥러닝발전을가져온중요한요소 3가지가있는데바로신경망모델, 빅데이터, 그리고컴퓨터연산능력의향상이다. 신경망에는그특색에맞는다양한모델들이존재하는데그중 < 그림 2> 는신경망모델의기본이되는 Multi Layer Perceptron (MLP) 을보여준다. LeCun이제안한신경망모델인 LeNet은 convolutional layer를사용하였으며, Alex Krizhevsky 가제안한신경망모델인 AlexNet은 overfitting 문제를 18 _ The Magazine of the IEIE 18

29 머신러닝가속기연구동향 해결하는 dropout layer를사용하였다. 이후에도 batch normalization, ReLU 등의 layer가제안되며정확도를높이는방향으로발전하였다. 딥러닝은학습기반의프로그램이기때문다양한훈련데이터셋이필요하다. 데이터가다양하고많을수록정확도를높일수있기때문이다. 1998년에서 2009년까지데이터셋은 MNIST에서 ImageNet으로발전하며대상은숫자에서사물로발전하였고, 종류는 10가지에서 21,841가지로증가, 데이터양은 7만개에서 14,197,122개로증가, 해상도는 28x28 픽셀에서 256x256으로향상되었다. 신경망모델의경우정확도를유지하고연산량을줄이는방향의연구도있었지만빅데이터의발전과함께정확도를위해다시연산량과메모리사용량이크게증가하는결과를가져왔다. 이를해결하기위해컴퓨터연산능력또한딥러닝의발전에중요한요소중하나가되었고, 이를해결한한가지예는 AlexNet에서 2개의 GPU를사용한것이다 [6]. GPU 자체의병렬성을활용하여처리량을높이는동시에 GPU 2대를병렬로실행하여실행시간을크게줄였다. 딥러닝의연산량과메모리사용량은아직도연구과제로남아있으며이를위한가속기의필요성및동향을다음절에서알아보겠다. Ⅲ. 구현과기술 대부분의학계및업계에서 GPU를이용하여인공신경망연산을수행중이지만인공신경망연산전용하드웨어가속기개발을위한연구또한활발히이루어지고있다. GPU는병렬성이높은범용연산기로다양한병렬연산에대해서원활한수행이가능하지만, 인공신경망특화연산에대한최적화가되어있지는않다. 그렇기때문에인공신경망연산에대해서는 GPU에비해에너지대비연산성능이더좋은가속기개발의가능성이열려있다고볼수있다 [8]. 인공신경망연산하드웨어가속기에대한연구는최근급격하게관심이증대하였고, 프로세서구조설계측면에서많은연구들이최근에제안되었다. 본절에서는현재사용되고있는인공지능알고리즘의병목과효율적인연 산을위한가속기의최신연구사례들을소개한다. 이를통해다양한분야에서관심이집중되고있는인공신경망의연산과정과효율적인연산을위한하드웨어가속기의연구동향에대해파악하고이해를돕고자한다 인공신경망응용의병목인공신경망알고리즘으로많이사용되는 Convolutional Neural Network (CNN) 은크게 convolution layer와 fully connected layer로분류할수있으며이둘은연산량과메모리접근특성이상반된다. < 표 1> 에나타나듯이, convolution 연산은전체인공신경망연산량의대부분을차지할정도로연산량이많다. 반면 fully connected layer에서는신경망의파라미터, 즉 weight 변수의사용량이 convolution layer에비해월등히많다. Fully connected layer 층들이전체인공신경망에서차지하는비중은매우적지만메모리접근량은대부분의비중을차지할정도로많고결국메모리병목이나타나성능저하를유발한다. 이러한현상이나타나는이유는 fully connected layer에서사용하는파라미터는로드후에 1회만사용되어데이터재사용성이떨어지기때문이며사용되는양이많아서이로인해잦은외부메모리접근이필요해진다. 현재인공신경망연산을가속하기위해 GPU를가장대중적으로사용하고있다. GPU는병렬성을높인그래픽연산을위한하드웨어이기때문에태생적으로 MLP나 CNN과같이병렬연산이주가되는인공신경망구조의가속에적합하다. 대표적인 GPU 제조사인 NVIDIA는자사의 GPU에사용되는언어인 CUDA와인공신경망연산 < 표 1> Convolution Layer 대 Fully Connected Layer 의 Parameter/ Operation 비교 Model Param (M) Conv (%) FC (%) Ops (M) Conv (%) FC (%) AlexNet VGG-F VGG-M VGG-S VGG VGG GoogLeNet 전자공학회지 _ 19

30 박세훈, 김재억, 신현준, 노원우 을효율적으로수행할수있는딥러닝소프트웨어라이브러리인 cudnn을제공하여 GPU의연산을개선하는모습도보여준다 [10]. 그럼에도아직까진인공신경망에적용했을때위에서서술한메모리접근문제에관해서는최적화되지않은모습을보이고, 전력소비량과발열이매우높다는단점이존재한다. 이때문에인공신경망알고리즘이많이사용되면사용될수록 GPU와같은범용프로세서를사용하는것보다는인공신경망응용특화가속기를개발하는것에큰의미가있다 데이터재사용문제인공신경망의 convolution layer의연산은 < 그림 5> 와같이입력으로 2차원의데이터배열을받아 2차원 convolution 연산을하고다음 layer로출력데이터를보낸다. 커널 ( 또는필터 ) 은 weight 변수를가지고있는 2차원의배열로입력으로들어온 2차원의배열과 convolution 연산을하는피연사자역할을하며 layer 내에서여러번반복적으로연산에사용된다. 그렇기때문에인공신경망의 convolution layer 연산에서활용되는대부분의데이터는 fully connected layer와는다르게여러번재사용되는특징을가지고있다. GPU의경우, 작은 cache 용량으로인해동일한데이터를여러번접근하지못하여데이터가원활하게재사용되지못하는문제가발생한다. 이러한문제점을해결하기위해서불러온데이터의재사용을높이는 Row Stationary (RS) dataflow 기술과이를활용한가속기구조가제안되었다 [11]. RS는가속기내의 Processing Element (PE) 에서사용된입력, 커널, 출력데이터를다음재사용될인접한 PE의레지스터파일에저장한다. 그결과 RS 방식은 PE에필요한데이터를재사용하므로, 메모리접근횟수가감소하고에너지소비량또한감소하게된다 불필요한데이터의생략인공신경망연산을하는데있어서인식정밀도는 16비트부동소수점이하를사용하더라도연산정확도에문제가없다는것으로알려져있다. GPU의연산의경우정밀 < 그림 5> Convolution Layer의연산규칙 < 그림 6> Cnvlutin 가속기연산방식 [11] 도는 32비트또는 64비트부동소수점을사용하는데이는인공신경망연산에사용하기에는과도하게정밀하다. 인공신경망 layer 중간에때때로있는 ReLU 연산은음수값을모두 0으로변환해주는역할을하는데, 이때문에연산중대다수의데이터값은 0으로저장된다. 이러한 0 값데이터들은인공신경망의기본연산인곱연산또는 MAC 연산을수행하는데불필요한연산이되고모두생략이가능하다. 이와관련하여정확도의저하를최소한으로유지한상태에서 Sparse Neural Network와같이 pruning을하여불필요한연산노드를생략하거나소프트웨어적인방법을통해 bitwidth를감소시켜연산하여메모리접근에대한병목현상을해결할수있는연구가제안된바있다 [12]. 이후에서술할 Cnvlutin 가속기는이와같이연산생략이가능한데이터를제거하는방식을사용한다 [11]. ReLU 연산이나 pruning 기술은많은데이터값들을 0으로변환한다. 연구결과인공신경망 layer에서입력데이터의 20 _ The Magazine of the IEIE 20

31 머신러닝가속기연구동향 절반정도는 0의값을가지게되는데, 이러한데이터의 0 값을제거하기위해데이터압출기술이제안되었다 [8]. Cnvlutin에서는 < 그림 6> 과같이각 layer의연산을수행하기전에이전 layer의 non-zero 값만을따로저장하는버퍼를추가하여 0 값을제거한다. 0 값을제거해주는것만으로반정도에해당하는불필요한연산을수행하지않기때문에연산성능이향상될것이다 Processor In Memory (PIM) 많은양의파라미터를메모리에서불러와야하는인공신경망은메모리접근에서병목현상이발생하는데, 이러한문제를최소화하기위해 PIM 구조를활용한가속기가제안되었다. PIM은메모리내부에연산장치를융합시켜필요한연산을메모리에서실행하고데이터의이동을최소화시키는데이터중심적컴퓨터구조를실현한다. PIM 기술은 < 그림 7> 과같이프로세서와메인메모리사이의성능차이를채워주는역할을하며데이터이동에서발생하는성능및에너지낭비를줄일수있게해준다. PIM 설계의가장어려운점은대용량메모리모듈과연산모듈을하나의패키지안에구현하는것인데, 최근 Hybrid Memory Cube (HMC) 와같은 3D stacking 기술의발전으로 DRAM layer와연산장치로이루어진 < 그림 7> PIM의개념 logic layer를적층구조로만들어 PIM을구현하는방법이제안되고해당기술에대한연구가활발히진행중이다 [13]. 이러한구조는메모리대역폭이넓고 < 그림 8> 과같은 logic layer의 PE 구조를인공신경망연산에적합하도록설계하는등연산에서메모리병목현상으로인한성능하락을최소화하는해결책으로적합한모습을보여준다. Ⅳ. 동향및응용 딥러닝은데이터를입력받아신경망을학습하는트레이닝 (training) 과정과학습된신경망으로자료인식등을수행하는인퍼런스 (inference) 과정으로구성된다. 이절에서는최신인공신경망인퍼런스가속연구중에서특색있는결과물들에대해소개한다 Tensor Processing Unit (TPU) TPU는구글이개발한딥러닝인퍼런스전용가속기이다 [1]. 구글은 2009년무인자동차개발때부터인공지능기반기술을지속적으로연구하고있었는데기존 CPU와 GPU는딥러닝에필요한컴퓨팅자원을구성하기에부족하다고판단하게되었고독자적으로전성비가높은딥러닝전용가속기를개발했다. TPU는 2013년부터개발되기시작했으며 2015년에는구글데이터센터에배치되었다. 2016년에이세돌과대국한알파고는 TPU 48개가사용되었다. TPU는 PCIe 카드타입의코프로세서로설계되었다. < 그림 9> 는 TPU의내부구조이다. 주황색으로표시된부분이실제로연산을수행하는부분이며보라색으로표 < 그림 8> HMC Stack 메모리구조 21 전자공학회지 _ 21

32 박세훈, 김재억, 신현준, 노원우 < 그림 9> TPU 내부구조 [1] 시된부분은데이터입력 출력값과파라미터값, 연산의중간값을저장하는부분이다. 하늘색은 TPU의외부와연결되는인터페이스유닛을나타낸다. TPU의제어명령어와데이터는호스트에서 PCIe 인터페이스를통해전해진다. 파라미터는 TPU DDR3 메모리에서 weight FIFO로, 데이터는호스트메모리에서 unified buffer로로드된다. Unified buffer는 24MB 온칩메모리로 K80 GPU 대비 3.5배큰용량인데 TPU는충분한공간으로데이터와중간결과값을칩내부에저장하여외부메모리액세스로인한성능저하를최소화할수있다. 입력된데이터와파라미터는 matrix multiply unit에서연산된다. Matrix multiply unit은 256x256 연산기로구성되어있으며연산기들은 systolic array 구조로 배치되어있다. Systolic array는 < 그림 10> 처럼연산기의출력값이인접한다음줄의연산기의입력으로전달되는방식으로매번출력값을메모리에저장해야하는일반적인연산방법보다메모리액세스빈도를낮춰전력소모를줄이는데유리하다. TPU가개발될당시 GPU는 16/32비트부동소수점연산만지원했는데딥러닝인퍼런스는 8비트정수연산이나부동소수점연산으로도충분했기때문에 TPU는 8비트정수연산기를사용하여 GPU 대비단위면적당컴퓨팅능력을높였다. 각연산기는 8비트정수입력을받아곱셈, 덧셈연산을수행하고 16비트정수를출력한다. Matrix multiply unit의연산결과는 accumulator에서누적되고, 누적된값은 activation unit과 normalize/ pool unit를거쳐 unified buffer에저장된다. 저장된값은 matrix multiply unit의입력으로재사용되거나 host 인터페이스와 PCIe 인터페이스를통해메인메모리에출력된다. TPU의인퍼런스속도는 Haswell CPU, NVIDIA K80 GPU 대비약 15~30배빠르며전성비는 30~80배우수하다 [1] Cnvlutin 인공신경망연산은벡터 (vector) 와벡터곱셈, 벡터와행렬 (matrix) 곱셈, 행렬과행렬의곱셈등으로이루어져있는데연산들은소속원소들간의곱셈과곱셈결과의누적덧셈으로구성된다. < 그림 11> 은벡터와벡터의곱셈을보여주는예시다. 매 Cycle마다각벡터의대응하는원소를곱하며그결과는하단의 accumulator에누적 < 그림 10> Systolic Array 2 2 행렬곱셈 < 그림 11> 0 값곱셈연산생략실례 22 _ The Magazine of the IEIE 22

33 머신러닝가속기연구동향 된다. 값이 0인원소의곱셈값은당연히 0이며그값은 accumulator에변화를주지않는다. 0 값곱셈연산을생략하면동일한결과를더적은 cycle에구할수있으며줄어든연산만큼전력소모도줄일수있다. < 그림 11> 의우측그림은좌측에서수행한연산에서 0 값곱셈연산을생략한것이다. 전체 4 cycle에서 2 cycle로성능이개선되었다. 0 값곱셈생략을이용하여인공신경망연산을개선하려면데이터나파라미터에 0인값이많아야하는데파라미터는트레이닝할때부동소수점연산을사용하기때문에연산의가산 감산에대한결과값이정확하게 0으로떨어지기어렵다. 그렇기때문에파라미터를 0값곱셈생략연산에사용하려면일정수치이하의값을 0으로치환하는 pruning 을거쳐야한다 [14]. 반면데이터는 hidden layer에 0인값이다량존재하는데이는음수인출력값을 0으로치환하는 ReLU activation 함수때문이다. AlexNet, GoogLeNet, NIN, VGG19 등의 convolution layer의곱셈연산은 37~50% 가 0 값곱셈연산이다. Cnvlutin은이러한 0 값곱셈생략을이용하여전체연산량 90% 이상을차지하는 convolution layer 연산을가속하는아키텍처로, 각 convolution layer의결과값을 Zero-Free Neuron Array format (ZFNAf) 로인코딩하여다음 convolution layer 연산가속에사용한다 [11]. 인코딩은 feature maps에서채널방향으로인접한데이터 16 개를묶어서진행하는데, 16개의데이터중에서 0이아닌데이터만인코딩출력코드 (ZF 데이터 ) 앞부분에배치되며, 데이터의원래위치를저장하는오프셋 (offset) 필드가추가된다음, 남은공간은 0으로채워진다. 원소당 4 비트의크기를가지는오프셋필드는나중에 convolution < 그림 12> ZFNAf Encoding 및실제연산예 layer 연산시곱셈할파라미터를선택할때사용된다. ZFNAf 인코딩은압축을하지않는다. 압축을하게되면용량상의이득은있을수있지만데이터를디코딩하는데추가적인시간이소요되며메모리에서필요한데이터를로드하는방법이복잡해지기때문이다. < 그림 12> 는데이터 8개를묶어서 ZFNAf 인코딩을수행하고 ZF 데이터가연산에서어떻게쓰이는지를나타낸예시다. 데이터원소중 0이아닌값 2, 5, 4는 ZF 데이터앞부분에배치되며오프셋필드에자신이원래있었던위치값 2, 4, 7 을저장한다. Convolution layer에서연산될때는오프셋필드를이용해서곱셈을수행할파라미터 4, 3, 7을선택하여연산을하게되고, 결과적으로연산에소요되는 cycle은 8에서 3으로줄어들었다. Cnvlutin을적용하려면데이터저장메모리의각셀 (cell) 마다오프셋필드를저장할공간이추가돼야한다. 데이터하나가 16비트일때라면오프셋필드를포함한셀의크기는 20비트가되며데이터메모리의크기는 25% 증가하게된다. 또한, 연산기는곱셈및누적덧셈연산을 cycle마다순차적으로수행구조가필요한데, 이는벡터프로세서처럼연산을병렬적으로수행할경우에 ZF 데이터는절전효과는있어도성능향상에는제한이있기때문이다. Cnvlutin은 DaDianNao 대비 1.37배성능향상을보였으며 Energy Delay Product (EDP) 가 1.47배증가하였다. 데이터메모리에추가된오프셋필드때문에프로세서전체면적은 4.49% 증가하였다 Cambricon 기존에연구된인공신경망가속기는 CPU, GPU 대비우수한성능을보였으나다양한인공신경망을지원하지못하고범용성에한계가있었다. 예를들면 DaDianNao 는 MLP와 CNN은가속할수있지만 Boltzmann Machine (BM) 인공신경망은수행할수없다. 또한기존의연구는하드웨어에대한연구는수행되었지만 Instruction Set Architecture (ISA) 에대한심도있는연구는없었다. Cambricon은인공신경망에서널리쓰이는대표 23 전자공학회지 _ 23

34 박세훈, 김재억, 신현준, 노원우 < 그림 14> Deep Compression 의압축과정 [17] < 그림 13> Cambricon 가속기구조 [15] 적인알고리즘들 - MLP, CNN, Recurrent Neural Network (RNN), Long Short Term Memory (LSTM), Autoencoder, Sparse Autoencoder, BM, Recurrent Boltzmann Machine (RBM), Self-Organizing Maps (SOM), Hopfield Neural Network (HNN) - 에대해서분석하여다수의인공신경망에서사용할수있는범용성있는 ISA를설계하고이를지원하는하드웨어를설계하였다 [15]. 또한, Cambricon ISA는 CPU와 GPGPU 대비코드밀도를높일수있게만들어졌다. Cambricon ISA는 MIPS ISA와비슷한구조의 64 비트 ISA이다. 명령어는 Control, Data Transfer, Logical, Computation으로분류된다. Control 명령어는프로그램흐름을변경하는분기명령어로구성되어있다. 외부메모리접근은오직 Data Transfer 명령어에서만수행되는데, 접근할데이터의크기를명령어필드에서설정할수있다. < 그림 13> 에서보이는것처럼 Cambricon은벡터레지스터파일대신스크래치패드메모리를사용하는데, 이는인공신경망에서사용하는벡터와행렬의크기가다변적이고파라미터는크기가크며재사용도가떨어지기때문이다. Logical 명령어는스칼라, 벡터, 행렬단위로비교를수행하는명령어이다. Computational 명령어는 Cambricon의핵심이다. 일반적으로인공신경망의연산은데이터와파라미터의곱셈, 곱셈에대한누적덧셈, 누적값에대한 activation 함수수행으로이루어지며대부분은벡터와행렬의연산으로구성된다. 2014년 ILSVRC 에서우승한 GoogLeNet은전체연산의 % 가벡터연산이었다. Computational 명령어에는다양한신경망에서수행하는연산의대부분을지원할수있는벡터연산명령어와행렬연산명령어가설계되어있으며그중에는 GPGPU에서제공하지않는명령어들도다수존재한 다. Activation 함수에서쓰이는벡터지수함수명령어, 인공신경망초기화, 드롭아웃명령어, RBM에서사용하는랜덤벡터생성명령어등이제공된다. Cambricon은 12GB GDDR5, 28nm 공정 NVIDIA K40M과비교했을때성능은 3.09배향상되었으며전력소모는 배작았다. 명령어코드길이는 K40M 대비 6.41배작았다 모바일 Deep Learning 모바일환경에서의딥러닝은클라우드시스템을통해서버에서연산을수행하고결과만을받아오는방법이주로사용되어왔다. 하지만, 자율주행, 얼굴인식, 음성비서등의주목받는딥러닝적용분야들은통신지연을기다릴수없는빠른반응이필요하고개인정보를포함하여보안문제가발생할수있는통신을피해야한다. 이러한이유로모바일장치내에서딥러닝연산을지원하기위한연구들이수행되었다. Song Han 은 2016년 pruning, quantization, Huffman coding을활용하여신경망파라미터크기를줄이는논문 Deep Compression 을게재하였다 [16]. Deep Compression 은정확도의하락없이 AlexNet의파라미터크기를 240MB에서 6.9MB로, VGG-16의파라미터크기를 552MB에서 11.3MB로압축시켰다. 동시에, 모바일 GPU Tegra K1 대비실행시간을 4.2배감소시키고에너지소모를 4.2배감소시켰다. < 그림 14> 는 Deep Compression의파라미터압축과정을보여준다. 다음해 2017년에는 Deep Compression을활용한가속기 EIE (Efficient Inference Engine) 에대한논문을게재하였다 [17]. EIE는모바일 GPU Tegra K1 대비실행시간을 307배감소시키고에너지소모를 2700 배감소시켰다 [17]. 모바일딥러닝은최근 Huawei와 Apple을통해상용 24 _ The Magazine of the IEIE 24

35 머신러닝가속기연구동향 Ⅴ. 전망과결론 < 그림 15> Huawei의 NPU [18] < 그림 16> Apple의 Neural Engine [19] 화되기도하였다. Huawei는 2017년 9월 2일 Huawei Mate 10에들어갈자사모바일 AP Kirin 970을공개하였다. 이날 Kirin 970에내장된 Neural-network Processing Unit (NPU) 에대해 CPU 대비 50배효율과 25배성능을보인다고소개하였다. Apple은 2017 년 9월 12일 iphone X 이벤트쇼에서자사모바일 AP A11 Bionic을공개하였다. 함께 A11에내장된 Neural Engine에대해초당약 6천억대의연산처리가가능하다고소개하였다. < 그림 15> 는 Huawei의 NPU에대한소개자료이고 < 그림 16> 은 Apple의 Neural Engine에대한소개자료이다. 두모바일업체는딥러닝가속기를내장한모델에몇가지응용을제공하였다. Huawei는실시간으로카메라의영상을인식하여야경, 음식, 글자, 인물등으로구분하여대조, 밝기, 노출등을조절한다. 인물사진에대해서는초점을조절하는 Bokeh Effect를적용한다. Apple 은얼굴인식을통해보안인증을하는 Face ID를제공한다. 또한, 얼굴표정을인식하여캐릭터에적용하여영상을생성하는 Animoji를제공한다. 추가적으로 Core ML 이라는라이브러리를제공하여모든응용개발자들이 Neural Engine을활용해딥러닝응용을개발할수있도록제공한다. 현재인공지능을위한하드웨어로가장많이사용되고있는것은 GPU이며인공신경망응용에대한연산효율을늘리기위한연구가계속진행되고있다. 그러나본글에서소개했듯이최근에는 GPU와마찬가지로인공지능특화가속기들에대한연구또한관심을받고있는데, 이는가속기의구현이 GPU 보다는 programmability를다소희생하지만전력소모대비연산속도측면에서더우수하기때문이다. 이러한가속기들에다양한기술들을적용하여연산효율을증가시키는연구가다수제안되고있으며앞서설명한여러지표들을통해인공지능가속기분야가앞으로도발전하고확대될전망으로보인다. 인공지능은모바일, 자율주행자동차, AR과같은산업에서부터시작해서앞으로도광범위한분야에접목되어다양한형태로확산될것이며그로인해인공지능을효율적으로수행하기위한하드웨어연구는당분간지속될것이다. GPU에서부터시작한연구들이더나아가서머신러닝가속기의연구로이어지고주류를이룰것이라여겨지며, CPU와 GPU가그러했듯머신러닝가속기도다양한아이디어로더욱개선될것으로예상된다. 인공지능반도체분야의연구와개발은전세계적으로도아직초기단계라고볼수있는중요한시점에있다. 이를기회로삼아연구와지원을확대시켜한국에서개발한한국형인공지능가속기가세계에서널리사용되는그런계기가되었으면한다. 참고문헌 [1] Jouppi, Norman P., et al. "In-datacenter performance analysis of a tensor processing unit", ISCA [2] Gartner Newsroom. Gartner Identifies the Top 10 Strategic Technology Trends for 2017, newsroom/id/ [3] Gartner Newsroom. Gartner Identifies the Top 10 Strategic Technology Trends for 2018, newsroom/id/ [4] Lecun, Yann. et al. Gradient-Based Learning Applied to 25 전자공학회지 _ 25

36 박세훈, 김재억, 신현준, 노원우 Document Recognition, Proceedings of the IEEE 1998 [5] Deng, Jia. et al. ImageNet: A Large-Scale Hierarchical Image Database, CVPR 2009 [6] Krizhevsky, Alex. et al. ImageNet Classification with Deep Convolutional Neural Networks, NIPS 2012 [7] AlphaGo Korea. The Google DeepMind Challenge Match, March 2016, alphago-korea/. [8] Chen, Tianshi. et al. DianNao: A Small-Footprint High Throughput Accelerator for Ubiquitous Machine-Learning, ASPLOS [9] Huang, Jensen.. Accelerating AI with GPUs: A New Computing Model, NVIDIA, blog/2016/01/12/accelerating-ai-artificial-intelligence-gpus/. [10] Chetlur, Sharan. et al. cudnn: Efficient Primitives for Deep Learning, arxiv preprint arxiv: , [11] Albericio, Jorge. et al. Cnvlutin: Ineffectual-Neuron-Free Deep Neural Network Computing, ISCA [12] Han, Song. et al. Learning both Weights and Connections for Efficient Neural Network, NIPS [13] Kim, Duckhwan. et al. Neurocube: A Programmable Digital Neuromorphic Architecture with High-Density 3D Memory, ISCA [14] Zhang, Shijin, et al. "Cambricon-X: An accelerator for sparse neural networks", MICRO [15] Liu, Shaoli, et al. "Cambricon: An instruction set architecture for neural networks", ISCA 2016 [16] Han, Song. et al. Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding, ICLR 2016 [17] Han, Song. et al. EIE: Efficient Inference Engine on Compressed Deep Neural Network, ISCA 2017 [18] Huawei. Huawei Mate 10 PRO, com/en/phones/mate10-pro/. [19] Apple Inc.. iphone X, 박세훈 2016 년 8 월연세대학교전기전자공학과학사 2016 년 9 월 ~ 현재연세대학교전기전자공학과석, 박사통합과정 < 관심분야 > Computer Architecture, Neural Network Accelerator 김재억 2001 년 2 월연세대학교전기전자공학과학사졸업 2003 년 9 월연세대학원전기전자공학과석사졸업 2016 년 7 월 ~ 현재연세대학원전기전자공학과박사재학중 2001 년 3 월 ~2003 년 9 월연세대학교전기전자공학과 MPU 연구실석사과정 2007 년 7 월 ~2014 년 10 월연세대학교전기전자공학과 MPU 연구실박사과정 2014 년 11 월 ~2016 년 7 월삼성전자메모리사업부 DRAM 개발실책임연구원 2016 년 7 월 ~ 현재연세대학교전기전자공학과 escal 연구실박사과정 < 관심분야 > Computer Architecture, Neural Network Accelerator 26 _ The Magazine of the IEIE 26

37 머신러닝가속기연구동향 신현준 2015 년 8 월광운대학교전자공학과학사 2016 년 9 월 ~ 현재연세대학교전기전자공학과석사과정 2014 년 7 월 ~2014 년 12 월 GE Korea 초음파연구소인턴 2015 년 5 월 ~2016 년 5 월전자부품연구원 IoT 융합연구센터위촉연구원 < 관심분야 > Computer Architecture, GPU Architecture, Neural Network 노원우 1996 년 8 월연세대학교전기공학과, 학사 1999 년 5 월 University of Southern California, Electrical Engineering, 석사 2004 년 5 월 University of Southern California, Electrical Engineering, 박사 1996 년 ~1997 년 IBM Korea, Seoul, Korea, System Engineer 2003 년 ~2004 년 Apple Inc., College Intern 2004 년 ~2004 년 University of California Irvine, Post-Doc Researcher 2006 년 ~2007 년 ARM Inc., Contract Software Engineer 2004 년 ~2007 년 California State University, Northridge, Department of Electrical and Computer Engineering, Assistant Professor 2007 년 ~ 현재연세대학교전기전자공학과조교수 / 부교수 / 정교수 < 관심분야 > High-performance microprocessor design, Multicore CPU / GPU structure and parallel processing, Artificial neural network accelerator design 27 전자공학회지 _ 27

38 특집 효율적메모리관리를통한모바일 CNN 가속기의최적화 효율적메모리관리를통한 모바일 CNN 가속기의 최적화 I. 서론 변영훈포항공과대학교전자전기공학과조준서포항공과대학교전자전기공학과이영주포항공과대학교전자전기공학과 알고리즘및이를지원하기위한병렬처리하드웨어의발전으로사물인식을위한 AI 기술에대한수요가폭발적으로증가하고있다. 특히최근에는 IoT 및모바일환경에서도 AI 및기계학습기반의기술을적용하기위한요구가생기고있으나, 아직까지는복잡한주요연산들을모바일단말기가아닌서버에서수행하는서비스들이상용화되고있다 [1]. 이러한서버-기반의 AI 연산은필연적으로지속적인통신환경의사용을요구하게되며, 그과정에서소비되는많은에너지는전체에너지소비량이상대적으로제한적인모바일기기에는큰부담이되고있다. 따라서 AI 알고리즘의대중적성공을위해서기존보다적은에너지를사용하는다양한최적화기법들이활발하게연구되고있다. 본논문에서는사물인식알고리즘에서가장대중적으로사용되는 CNN (convolutional neural network) 알고리즘을지원하는하드웨어가속기의에너지및복잡도효율을개선할수있는다양한연구들을소개한다. 일반적으로 CNN 알고리즘은수많은 convolution 연산과정에서매우빈번한메모리의접근을유발하기에, 이과정에서소비되는에너지를최적화하기위한기술의개발이시급하게요구되고있다. 따라서최근의 CNN 가속기에관련된연구들은빈번한메모리접근과정에서생기는병목현상및전력소비를최소화하기위한효율적인메모리관리기술들의개발에많은노력을기울이고있다. 본논문에서는최신최적화기술들을크게 1) 데이터재사용을통한메모리접근빈도수의최적화와 2) 저장데이터의압축을통한메모리전송량의최적화로구분지어소개하며, 이를통하여향후모바일시장에서의 CNN 가속기의개발에요구되는기술들을논의하고자한다. 본논문의구성은다음과같다. 제 II장에서는 CNN 알고리즘의소개 28 _ The Magazine of the IEIE 28

39 효율적메모리관리를통한모바일 CNN 가속기의최적화 와 CNN 가속기의최적화과정에서메모리관리의필요성을논의한다. 데이터재사용을통한최적화기법들은제 III장에서기술하며, 제 IV장은데이터압축기술을통한최적화기법들을다룬다. 마지막으로 IV장에서는결론과함께보다최적화된 CNN 가속기의설계를위한추가적인고려사항들을제안한다. Ⅱ. CNN 알고리즘및하드웨어가속기구조 CNN 기반의인공신경망알고리즘은기존의이미지처리기술보다개선된사물인식률을보이며, 이를통해보다정밀한이미지처리가가능하다. 일반적으로 CNN 알고리즘의연산과정은 convolution layer, pooling layer, fully connected layer라는 3개종류의 layer가사용되는데, 이들을다양하게조합하여여러층을구성하는방식으로이미지의인식률을높이는알고리즘들이지속적으로보고되고있다. 특히, CNN 알고리즘의수행시간의대부분을차지하는 convolution layer는 < 그림 1> 에서표현한것과같이기본적으로행렬-곱연산으로구 < 그림 1> Convolution 연산의예시 성되어있으며, 각 layer는병렬적연산이가능한특징을갖고있다 [2 4]. 따라서 CNN 알고리즘을지원하기위한고속 CNN 가속기는많은수의 MAC (multiply-andaccumulate) 연산자를구현하여병렬적인행렬-곱연산을가속하는데특화된구조를채택하고있다 [2 4],[7-10]. 하지만병렬적인행렬-곱연산을고속으로수행하기위해서는최대한많은양의데이터를메모리에서빠르게읽고쓰는과정이필수적으로요구된다. < 그림 2> 는일반적으로사용되는 CNN 가속기의구조를모사하고있다 [2]. 행렬-곱연산을위해서는현재 layer의 input feature map 정보와 filter weight 정보를각각메모리에서읽어와야하며, 불려온정보들은 MAC 연산자에기반한 PE (processing element) 에서다음 layer를위한 output feature map 정보로가공되어다시메모리에저장된다. ResNet-152 [5], Inception-v4 [6] 및 VGG-19 [5] 같은최신 CNN 알고리즘들은적게는수천만개에서많게는 1억개이상의 filter parameter를사용하며, 이들을메모리에고속으로읽고 / 쓰는작업은행렬-곱연산보다압도적으로많은에너지를소비하는것으로보고되고있다. < 그림 3> 은단일 ALU (arithmetic logic unit) 의에너지소비에비하여주요메모리들이소비하는에너지의양을비교하고있다 [2]. 데이터의연산에서소비되는에너지에비하여데이터의이동에서소비되는에너지의양이훨씬크다는것을알수있으며, 데이터의양이많을수록집적도가좋은메모리를사용해야하기에 (DRAM 등 ) 메모리접근과정에서소비되는에너지의양이크게증가하게됨을알수있다. 따라서에너지-효율적인 CNN 가속기의설계를위해서는메모리에접근하는빈도를줄이는방식과메모리에저장해야하는데이터자체를줄이는기술이동시에고려되어야한다. < 그림 2> 일반적인 CNN hardware accelerator 모델 < 그림 3> Operation 별 normalized energy cost 비교 [2] 29 전자공학회지 _ 29

40 변영훈, 조준서, 이영주 Ⅲ. 데이터재사용을통한메모리접근빈도최적화 CNN 알고리즘에서메모리접근빈도를줄이는가장 대표적인방법으로는데이터재사용기법을꼽을수있다 [3],[7 10]. 데이터의양이많이요구되는 CNN 알고리즘의경우에는 DRAM에서한번가지고온데이터를최대한재사용하여다시메모리에접근하지않게하거나, 에너지를적게사용하는내부버퍼에저장하여 DRAM에다시접근하는회수를최소화하는방식을채택하여야한다. 이를위하여 CNN 알고리즘에서재사용할수있는데이 < 그림 4> CNN 에서의 data reuse 의종류. (a) Convolutional reuse, (b) feature map reuse, (c) filter reuse < 그림 5> DianNao accelerator 의 block diagram. NBin 에는 input feature 가, SB 에는 filter weight 가저장되어있다 [7] 터는 < 그림 4> 와같이크게세종류로나눌수있다 [3]. 첫번째는 convolutional reuse로, 하나의 input feature map에대해동일한 filter가 sliding하면서 convolution 연산을하므로 input feature map과 filter weight 모두반복적으로사용하게된다. 따라서이데이터들을버퍼에저장한뒤사용한다면 DRAM 접근횟수를줄일수있다. 두번째는 feature map reuse이다. 일반적으로하나의 convolution layer에는여러개의 filter가존재한다. 이각각의 filter들이하나의 feature map과 convolution 연산을하므로 input feature map 정보를버퍼에저장해놓으면반복적인연산에서활용할수있게된다. 마지막으로고려되는재사용기법은 filter reuse인데 batch size가 2 이상일때 ( 여러개의이미지를동시에 convolution 하는경우 ) 동일한 filter의 weight를여러이미지에반복적으로 convolution 연산하게된다. 따라서 filter의 weight를버퍼에저장하면서로다른이미지의 convolution에사용할수있다. < 그림 5> 는 [7] 에서소개된 CNN 가속기의내부구조를모사하고있다. 해당연구에서는 feature map 연산을위한하드웨어가속기로 NFU라는블록을제안하고있으며, 입출력단에버퍼를두어 DRAM으로부터읽어드린데이터를재사용할수있게하였다. 특이한점으로는 input buffer를 NBin과 SB 두개로나눈것을꼽을수있는데, 이는사이즈가다른데이터를하나의버퍼에저장한다면데이터를읽는데시간이오래걸리거나전력이낭비되는등의부작용이있기때문이다. 또 NFU-2 연산에서나오는결과를 NBout에저장하거나 NFU-2로다시읽어들이는경우가있는데, 최종출력이나오기전까지사용하지않는 NBout 버퍼를임시로활용해반복적으로사용하는데이터를저장하는방식을통해연산횟수와파워소모를줄일수있다. 데이터재사용의기법을보다심층적으로분석한연구는 [3] 에서소개되었다. < 그림 6> 은해당연구에서제안된재사용방식은모사하고있다. CNN 알고리즘에서는동일한 filter의 weight가반복적으로사용되기때문에 < 그림 6(a)> 와같이서로다른 input feature map을하나의행렬로합쳐연산할수있음을알수있다. 마찬가 30 _ The Magazine of the IEIE 30

41 효율적메모리관리를통한모바일 CNN 가속기의최적화 < 그림 6> [3] 에서적용한데이터재사용기법들의예. (a) Filter reuse 의적용과정, (b) input feature map reuse 의적용과정, (c) accumulate psums 의재사용을통한최적화 지로 < 그림 6(b)> 에서표현한방식처럼동일한 input feature map에대해서로다른 filter를 convolution하는대신, 두개의 filter를하나의행렬로묶어두개의 PE 에서진행하던연산을하나의 PE에서연산할수있다. 마지막으로 < 그림 6(c)> 와같이위의두가지방법을합쳐사용한다면동일한연산을하는데사용되는 PE의개수를줄일수있다. 최근에는 convolution layer의특징에따라서다양한재사용기법들을조합하여가장최적화된재사용방식을적용하는사례들이보고되고있다. [10] 에서는 VGG- 16 네트워크에대하여 layer가진행됨에따라서변하는 feature map 크기와 filter weight 크기를분석하여가장최적화된재사용조합을도출하고있으며, [4] 에서도세종류의데이터재사용기법을모두지원하면서상황에따라보다효과적인재사용기법을프로그램적으로선택할수있는기능이제안되었다. 는매우많은양의하드웨어리소스를오직 CNN 가속기에할당해야하는문제가있다. 이러한한계를극복하기위해서는모델의크기를줄이는다양한방법 (pruning, quantization, weight sharing, data compression) 을사용할수있다 Pruning Pruning은 CNN 모델을압축하기위해우선적으로사용되는기술이다. 일반적으로 CNN의연산에서사용되는 filter weight 중에서특정임계점이하의 weight를연산과정에서배재한후, 해당네트워크를다시학습시키는방식으로이루어진다. 따라서행렬-곱으로표현되는 CNN의주요연산들은 pruning 작업이적용될경우 < 그림 7> 과같이해당행렬의내부가대부분 0인 sparse Ⅳ. 네트워크및데이터압축을통한최적화 CNN 알고리즘이모바일시스템에적용되기어려운주된이유로는네트워크에사용되는정보의양이너무많다는점이있다. 앞장에서도언급하였듯, 압축되지않은 CNN 모델의주요 parameter를저장하기위해선보통수백메가바이트이상의공간을필요로하기때문에이를직접적으로모바일시스템에적용하기위해서 < 그림 7> Compressed sparse row 의예시 31 전자공학회지 _ 31

42 변영훈, 조준서, 이영주 matrix의형태를보이게된다. 이때 sparse matrix를 CSR (compressed sparse row) 또는 CSC (compressed sparse column) 방식으로저장하여, 데이터저장공간을줄일수있다. CSR 또는 CSC는원래의 matrix를다음과같이열인덱스값, 행압축정보 [ 최초시작행번호, 시작행의데이터개수, 두번째행의데이터개수,, 마지막행의데이터개수 ], 데이터의배열로나타내는것으로, 0이아닌값의개수를 a, 열의개수를 n이라했을때 2a + n + 1개의데이터로원래의 sparse matrix를모두표현할수있다. 최근의연구결과는 pruning과 CSR/CSC 기법을적절하게사용할경우, CNN의인식률을거의떨어뜨리지않고주요 parameter를저장하기위한메모리의크기를 9배 (AlexNet), 혹은 13배 (VGG-16) 만큼줄일수있음을보고하고있다 [11] Network quantization, weight sharing Network quantization과 weight sharing은각 weight를나타내는데필요한비트수를줄이는방법으로네트워크를압축하는방식이다. 비슷한값의 weight 를갖는연결들을하나의같은값을공유하게만들어서 effective한 weight의숫자를제한할수있다. 이때네트워크가총 n개의연결을가지고, 각연결이 b bits로표현되며모든연결이총 k개의가중치를공유하는경우에네트워크는 r=nb/(nlog_2 (k)+kb) 만큼압축될수있음이보고되었다 [12] 데이터압축데이터압축을사용하려면큰데이터를더작은데이터로변환시키는인코딩과, 작은데이터를원래의데이터로복원시키는디코딩과정이필요하지만, 이런과정들을감안하더라도데이터저장과전송에필요한리소스를많이줄일수있으므로매우유용하다. 가장대중적으로사용되는데이터압축방식은호프만코딩으로, 이는무손실압축을보장한다는면에서인식률의변화없이데이터의양을줄일수있다는장점을제공한다. 호프만코딩을 CNN 가속기에적용하기위해서는연산에사용되는 filter weight를양자화한이후에각값들의출현빈도를 < 그림 8> Weight의분포. 분포가편향되어있음을알수있다 [13] < 그림 9> Spatial domain과 frequency domain에서의 image [14] 분석하는작업이선행되어야한다. < 그림 8> 은호프만코딩을적용하기위한분석과정의예를모사하고있다. 양자화된 weight의값중에서빈도가더높은값들을적은비트로표현하는방식을통하여해당네트워크를추가적으로 20~30% 압축할수있음이보고되었다 [13]. 손실압축방식을사용하여 CNN의정보량을압축하는시도들도꾸준하게보고되고있으며, 기존에이미지와영상압축기술에널리사용되었던 DCT (discrete cosine transform) 기술을바탕으로하는 CNN 압축기술을대표적으로꼽을수있다. DCT는공간영역의신호를주파수영역으로변환하는것으로, 신호의성분대부분이낮은주파수영역에집중되는현상이있기때문에손실데이터압축으로사용된다. < 그림 9> 는 CNN에사용되는 filter weight를공간영역과주파수영역으로나타낸것이다 [14]. 공간영역에서다양한값이분산되어있던해당 filter는주파수영역에서저주파수에큰값을갖고고주파수에서 0에가까운크기를갖는형태로변환되는것을볼수있다. [14] 에서는 DCT 압축기술에더하여추가적인 feature hashing 함수를활용하여 parameter의크기를줄이는기법을제시한다. 기본적으로 input vector의공통된값에같은 hash를부여하여훨씬작은차원으로 mapping하는기술을활용하고있으며, DCT를적용한주파수영역의정보를압축하는과정에서상대적으로중 32 _ The Magazine of the IEIE 32

43 효율적메모리관리를통한모바일 CNN 가속기의최적화 요한저주파영역에큰 hash 버킷을할당하고, 중요도가상대적으로떨어지는고주파영역에는작은 hash 버킷을정의하여인식률을많이떨어뜨리지않으면서도압축률을크게향상시킬수있다. Ⅴ. 결론 본논문에서는고효율 CNN 가속기를위한다양한메모리관리최적화기법에대하여소개하였다. 기존의행렬-곱연산을가속하기위한연산자의병렬화기법과더불어, 메모리를효과적으로사용하기위한다양한최적화기법들은 CNN 가속기의효율을개선하는데필수적으로요구되는기술이며, 특히에너지소비의제한이강요되는모바일환경에서는더욱중요한기술로평가받는다. CNN 의인식률의최소요구사항을만족하는한도내에서앞으로도보다공격적인최적화방식이모바일환경의 CNN 가속기를위하여제시될것으로예상되며, 그과정에서메모리의접근과정을일부건너뛰거나보다많은데이터손실을허용하는압축기술들이지속적으로연구될것으로생각된다. 참고문헌 [1] [2] V. Sze, Y.-H. Chen, T.-J. Yang and J.S. Emer, Efficient processing of deep neural networks: a tutorial and survey Proc. IEEE, vol. 105, no. 12, pp , Nov [3] Y. CHEN et al. Eyeriss: An energy-efficient reconfigurable accelerator for deep convolutional neural networks IEEE J. Solid-State Circuits (JSSC), vol. 52, no. 1, pp , Nov [4] B. MOONS et al. Envision: A 0.26-to-10 TOPS/W Subword- Parallel Dynamic-Voltage-Accuracy-Frequency-Scalable Convolutional Neural Network Processor in 28nm FDSOI in Proc. IEEE Int. Solid-State Circuits Conf. (ISSCC) pp [5] K. HE et al. Deep residual learning for image recognition in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR) pp [6] C. SZEGEDY et al. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning in Proc. Association Adv. Artificial Intell. (AAAI) pp [7] T. Chen et al., DianNao: a small-footprint high-throughput accelerator for ubiquitous machine-learning, in Proc. ACM Int. Conf. Architectural Supports Programming Language Operating Syst. (ASPLOS), 2014, pp [8] Y. CHEN et al. Dadiannao: A machine-learning supercomputer in Proc. IEEE/ACM Int. Symp. Microarchitecture (MICRO), pp [9] Z. DU et al. ShiDianNao: Shifting vision processing closer to the sensor in Proc. ACM SIGARCH Comput. Archit. News, pp [10] D. SHIN et al. DNPU: An 8.1 TOPS/W reconfigurable CNN- RNN processor for general-purpose deep neural networks in Proc. IEEE Int. Solid-State Circuits Conf. (ISSCC), pp [11] S. Han, H. Mao, and W. J. Dally, Deep compression: Compressing deep neural network with pruning, trained quantization and huffman coding, in Proc. Int. Conf. Learning Representations (ICLR), [12] H. Song et al. Learning both weights and connections for efficient neural network in Proc. Adv. Neural Inf. Process. Systems. (NIPS), 2015, pp [13] S. Han, H. Mao, and W. J. Dally, Deep compression: Compressing deep neural Netw. with pruning, trained quantization and huffman coding in Proc. Int. Conf. Learning Representations (ICLR), [14] C. Wenlin et al. Compressing convolutional neural networks arxiv preprint arxiv: , 전자공학회지 _ 33

44 변영훈, 조준서, 이영주 변영훈 2018 년 1 월 ~ 현재포항공과대학교학사과정 < 관심분야 > Embedded System Architecture, Deep learning 조준서 2018 년 1 월 ~ 현재포항공과대학교전자전기공학과학사과정 < 관심분야 > Embedded System Architecture, Deep learning 이영주 2008 년 2 월 KAIST, 전기및전자공학과학사졸업 2010 년 2 월 KAIST, 전기및전자공학과석사졸업 2014 년 2 月 KAIST, 전기및전자공학과박사졸업 2014 년 5 월 ~2015 년 2 월벨기에 IMEC 연구원 2015 년 3 월 ~2017 년 2 월광운대학교전자공학과조교수 2017 년 2 월 ~ 현재포항공과대학교전자전기공학과조교수 < 관심분야 > Embedded SoC 설계및최적화 34 _ The Magazine of the IEIE 34

45 특집 에너지고효율인공지능하드웨어 에너지고효율인공지능 하드웨어 Ⅰ. 서론 궁재하 DGIST 정보통신융합전공 최근 IT산업뿐만아니라, 금융, 의료등산업전반에걸쳐인공지능의관심이급증하고있다. 가장널리연구되고좋은성능을보이기시작한분야는시각정보 ( 컴퓨터비전 ) 처리에있다. < 그림 1> 에서보듯이 ImageNet이라는이미지인식대회에서 Neural Network의다층화를통해인간의인지능력을 2015년에능가하게되었다. 금융산업에서는투자분석, 금융사기탐지등의목적으로인공지능이널리활용되고있으며, 의료산업에서는질병탐지및투약량예측등을통해의사들의결정에도움을주고있다. 이외에도다양한분야에서인공지능의, 더정확하게는딥러닝의도입을고려하고시제품화하고있다. 이렇게광범위한관심의배경과원인으로네가지정도를생각해볼수가있다. 첫째로인공지능성능의급격한향상이있다. 이미여러분야에서인간의능력을능가하고있는결과들 [1-3] 이나오고있으며, 이로인해비전문가들의관심까지도집중시키게되었다. 둘째로대량의데이터공급현실화가있다. 구글, 페이스북, 오라클등의데이터센터를중심으로빅데이터수집 (< 그림 2>) 이가능해졌다. 셋째로 Neural Network가내부적으로어떠한학습을하고있는지정확히몰라도동작한다는점이각광받게된큰원인이되고있다. 학습시인간의중재없이대량의데이터로부터특정업무를자동적으로학습하고이해하게되는것이다 [4]. 본특집에서는인공지능발전의그네번째원인인연산프로세서 (Accelerator) 의성능향상및에너지고효율화를집중하여소개할것이다. < 그림 1> 에서볼수있듯이인공지능의성능을향상시키기위해서 Neural Network의층을많게는 152개쌓아학습을시킨다. 이러한추세는근몇년간계속되었으며, 이로인해실제로연산을하는하드 35 전자공학회지 _ 35

46 궁재하 < 그림 3> 기계학습의전반적인과정 : 모델학습 (Training) 과추론 (Inference) < 그림 1> 인공지능성능의지속적인발전 ( 왼쪽 : 최근결과 ) < 그림 4> 다층구조의 CNN(Convolutional Neural Network) 과각층에서추출된특징들 (Features) < 그림 2> 2012년에발표한오라클서버데이터양의증가추이와그예측웨어에요구되는연산양이기하급수적으로증가하였다. 다행스럽게도반도체공정기술의지속적인발전으로단위면적당집적할수있는연산회로의수가증가하여연산속도가해가다르게증가하였다. 하지만, 기존의컴퓨터와같이 Von Neumann 구조 ( 메모리와연산자가분리된구조 ) 로이루어진하드웨어시스템의경우, 메모리와연산자간의데이터통신양의제약으로고밀도집적회로를통한연산양의증가가실제인공지능하드웨어성능향상으로이어지지못했다. 이를해결하기위해, 다시말해데이터통신양을줄이기위해, 어떠한하드웨어기법이기계학습시사용될수있는지, 그리고어떠한시스템구조를선택하느냐에따라기계학습의속도가얼마나향상될수있는지에대해서간략하게살펴보겠다. 연산속도뿐만아니라인공지능의추론능력을모바일이나임베디드환경에서활용하기위해서는인공지능하드웨어의저전력화및경량화가필요하겠다. Ⅱ. 인공지능하드웨어의경량화 1. 기계학습에대한소개및경량화연구추세 기계학습의과정은 < 그림 3> 과같이빅데이터를이용 한 Neural Network 모델의학습 (Training) 과그후의추론 (Inference) 으로나누어진다. 학습은대량의데이터를다루고연산양이많기때문에주로데이터센터나클라우드서버에서이루어진다. 하지만, 추론의경우미리학습된모델변수들을사용하며데이터센터, 자율주행자동차, 모바일기기등에서광범위하게활용될수있다. 서버이외의모바일환경에서는전력이제한되기때문에주어진전력을이용하여연산양이많은인공지능알고리즘의처리가가능해야하겠다. 또한, 최근연구결과에따르면깊은구조의 Neural Network 모델이얕은구조의모델보다그정확도 / 성능이좋다 [1],[5-6]. 이러한이유로최근에는기계학습을다른용어로딥러닝이라고표현한다 [4]. < 그림 4> 에서는 5개의컨볼루션 (Convolutional) 층과 2개의완전연결된 (Fully Connected) 층으로이루어진 Neural Network의한예시를보여주고있다. 층이깊어짐에따라더고차원의특징들 (Features) 을학습하고이를이용하여판단을내릴수있게된다. 이렇게다층화가이루어지게되면서모바일하드웨어에서소모해야할전력양은더증가하게되어, 저전력화및모델의경량화가필수적이다. 모델의경량화를통한저전력화에대한연구가많이진행되어있으며 [7-10], 기본적으로연산정확도 ( 연산에필요한데이터비트수 ) 를조절함으로모델경량화를시키게된다. 이는두가지방향으로이루어질수있는데, 기계학습과정 (Training) 에서부터비트수를줄여가는방향 [7],[10] 과 36 _ The Magazine of the IEIE 36

47 에너지고효율인공지능하드웨어 학습을마친후모델의특성을확인 [8],[10] 하여특정연산에대해비트수를조절하는방향이있다. 각방향의장단점이있으며, 본특집에서는후자를통한데이터통신양감소및전력감소를살펴보겠다. 2. 인공신경망모델 (MLP/CNN) 의경량화일반적인인공신경망 (Feedforward Neural Network) 의경우, 단방향으로써특정층 (Layer) 의뉴런상태가바로전층의뉴런상태들의가중치합 (Weighted sum) 으로업데이트된다 (< 그림 5(a)>). 그림에서노드가뉴런을나타내며, 연결선이가중치 (Synaptic weight) 를의미한다. 가중치합연산이후에는비선형함수 (Activation function) 를거쳐보다복잡한고차원공간에대한이해를가능하게해준다 [4]. 컨볼루션신경망 (Convolutional neural network) 의경우, 연산과정은비슷하지만바로이전층과연결된뉴런들의집합이지엽적이다 (< 그림 4>). 인공신경망의학습시가장널리사용되고있는방법은 Backpropagation이라는최적화알고리즘이다. 알고리즘의명칭에서알수있듯이매학습단계마다출력값에대한오차를거꾸로흘러가게하여 (< 그림 5(b)>) 각연결선에대한오차경사도 (Gradient) 를계산하여보다정확한판단을내릴수있게끔연결선에대한강도를조금씩변화시킨다. 올바르게학습변수들을설정하였다면, 수십만 ~ 수백만학습단계를거치면서해당인공신경망이특정업무 ( 예 : 이미지분류, 특정질병발견 ) 를해결하는정확도가증가하게된다. 학습과정에서자연스럽게얻게되는중요한변수는연결선에대한오차경사도 (Weight gradient) 이며, 이는해당연결선의오차민감도 (Error sensitivity) 로해석될수있다. 즉, 해당값이크다면, 특정연결선과관련된연산의정확도는높아야할것이다. 반대로, 오차민감도가작은연결선에대해서는연산비트수를줄여도출력정확도에큰영향이없게된다. 이처럼학습시얻게되는오차민감도에따라 2~3 그룹으로나누어비트수를할당 ( 예 : 8비트, 12비트, 16비트 ) 하여전력감소및통신데이터양감소를가져올수있겠다. 자세한알고리즘은 [8] 을참고하면되겠다. (a) (b) < 그림 5> (a) 일반적인인공신경망중 MLP의구조와 (b) MLP 학습시사용되는 Backpropagation 알고리즘 < 그림 6> 인공지능하드웨어에서근사곱셈기를활용함으로동일정확도 (MNIST 데이터셋 [11] ) 를얻기위한최소전력을크게감소시킬수있음. < 그림 7> 제안한인공신경망모델의경량화 [8] 를통한저전력화가능성 비트수조절이외에근사곱셈기 (Approximate ALU) 를사용하면더큰폭 (~20%) 의전력감소가가능해진다 (< 그림 6>). 근사곱셈기는아주미세한오차를의도적으로추가하여연산장치자체의전력을감소시키는하드웨어설계방법이다 [8]. 비트수조절이소프트웨어적인제어 (Software approach) 라면근사곱셈기의활용은하드웨어적인제어 (Hardware approach) 로볼수있다. 기존에제안되었던방법 [12] 과비교를한결과를 < 그림 7> 을통해확인할수있으며, 새로제안한경량화방법 [8] 을통해인공신경망의정확도는동일하게유지하면서 38% 정도전력을더감소시킬수있다. MNIST 외의데이터에대한결과는 [13] 에서확인할수있다. 37 전자공학회지 _ 37

48 궁재하 3. 순환신경망모델 (RNN) 의경량화 단방향성의인공지능모델외에순환신경망모델 (Recurrent neural network) 이존재한다. 일반적인인공지능모델에피드백연결이추가된형태라고보면된다 (< 그림 8(a)>). < 그림 8(a)> 에서는피드백연결이중간층 (Hidden layer) 내부적으로형성되어있는구조이다. 피드백연결로인해시간의이해가가능 (< 그림 8(b)>) 하기 (a) (b) < 그림 8> (a) 세개의층으로이루어진 RNN과 (b) 해당신경망을시간축에대해풀어낸모습 < 그림 9> RNN 을이용한비디오분류 ( 행동분석 ): RNN 의출력은비디오에감지된사람이어떤행동을행하고있는지알려준다. < 그림 10> RNN 에서의동적경량화알고리즘 에순차적인데이터를처리하는데효과적이다. 따라서, 순환신경망의주된어플리케이션은비디오인식 [14], 자연언어처리 [15], 음성인식 [5] 등이있다. 순환신경망 (RNN) 은순차적데이터를처리하기때문에그연산양이많다. 그렇기때문에입력데이터의양이지나치게크다면추론연산에만긴시간을요구하게된다. 이러한실질적인제약으로인해 RNN 모델에데이터를입력시키기전에특징추출 (Feature extraction) 을하게된다 (< 그림 9>). 특징추출을통해입력데이터의차원 (Input dimension) 을줄여주게된다. < 그림 9> 의경우, RNN 모델의출력단에분류하고자하는사람의행동수만큼출력뉴런이존재한다. 각출력뉴런은확률값을매프레임마다계산하며확률이가장높은행동으로결정을내리게된다. 다시말해, RNN이신뢰도 (Confidence level) 가가장높은결정을내리게된다. 앞서말했듯이, RNN의경우순차적데이터를다루기때문에매번의미가있는데이터가들어오지않을수있으며, 어떤비디오 / 음성은분석하기비교적쉬울수도있을것이다. 이러한경우를실시간으로감지하여하드웨어의동적경량화 (Dynamic approximation) 를활용하여전력소모를감소시킬수있다 [10]. 단방향성인공신경망에서사용된동일한알고리즘 (< 그림 10> 에서의 Static approximation) 을통해 2-3 그룹의비트수로각연산을할당을먼저한이후, 출력단의신뢰도를실시간으로체크하여각그룹에대한연산정확도를추가적으로높이거나낮출수있게해줄수있다 (< 그림 10>). 이처럼실시간으로비트수 ( 또는시스템연산정확도 ) 를조절하는알고리즘이기에동적경량화라고부르게된다. < 그림 11> 에서는제안된동적경량화알고리즘을통 (a) (b) (c) < 그림 11> 사람행동분석 (Human activity recognition) 데이터에대한동적경량화실험결과 : (a) RNN 출력단의실시간신뢰도변동추이, (b) Hysteretic 제어기를통한실시간비트수제어결과, (c) 동적제어를통한저전력화결과 ( 정적제어와비교하여 18% 추가전력감소효과 ) 38 _ The Magazine of the IEIE 38

49 에너지고효율인공지능하드웨어 해사람행동분석 (Human activity recognition) 을행할때정확도의변동과전력감소효과를살펴본결과이다. < 그림 11(a)> 에서보듯이매시각영상프레임이 RNN을통과할때, RNN의출력뉴런들의출력값 ( 또는신뢰도 ) 의변동을알수있다. 실시간으로이를감지하고제어하는제어기하드웨어를통해빠르게비트수또는시스템정확도를동적으로변화시킬수있다 (< 그림 11(b)>). KTH 라는행동분석데이터에대한실험결과를보면정확도는 3% 정도줄어들지만, 전력은 100% 12bit으로연산할때보다 30% 줄어드는효과가있다. 이는정적제어만할때보다 18% 의추가전력감소효과를보게되는것이다. 다른데이터셋에대한결과는 [10] 에서확인할수있겠다. Ⅲ. 인공지능을위한고성능시스템구조 섹션 II에서는인공지능하드웨어의경량화에대해서다루었다. 에너지고효율인공지능하드웨어를만들기위해서는경량화를통한전력감소외에도동일한전력소모를하면서성능을크게향상시키는시스템구조연구도매우중요하다. 특히, < 그림 3> 에서모델의학습시서버에서는고성능이필수적이다. 그이유는학습에사용되는 Backpropagation 알고리즘이수많은반복을통하여연결강도를업데이트하기때문이다. 또한, 학습시필요로하는큰데이터양으로인해성능향상에제한이많기때문 에메모리대역폭활용의극대화가필요하다. 자연스럽게많은 IT 회사들이학습시간을단축시키기위해개별의가속하드웨어를설계하고있다 [16-18]. 1. NeuroCube: PIM 형태의인공지능하드웨어 < 그림 12> 에서보듯이 CNN을이용하여특정어플리케이션을처리할때필요한메모리사이즈는이미지크기가커짐에따라 1mm 2 면적에넣을수있는온칩메모리사이즈를쉽게초과한다. 즉, 인공지능가속하드웨어가외부메모리와통신하는시간이늘어나게되며이는자연스럽게시스템전력소모상승과성능저하로이어지게된다. 이러한메모리병목현상 (Memory Bottleneck) 을해결하기위해수많은연구가진행되었으며, 그중에 Georgia Institute of Technology에서연구하고발표한 Processor-in-Memory(PIM) 구조의인공지능하드웨어 (Neurocube [19] ) 를소개하고자한다. Neurocube는최초로 3D 메모리스택하단층에존재하는논리회로층 (Logic Layer) 에인공신경망을구현하는시스템구조를제안하고있다. 해당논문에서는 Micron사의 Hybrid Memory Cube(HMC) 를활용한시스템구조를제안하고있다 (< 그림 13>). HMC와같은메모리적층기술은인공지능알고리즘과같이큰메모리대역폭이요구될때매우유용한기술이다. TSV라는수직적연결선을통해빠르게데이터를주고받을수있게해준다. HMC의경우, 16개의 Vault로나뉘어져있으며각 Vault에는 2개의 DRAM Bank들로구성되어있다 [19]. < 그림 12> CNN 을이용하여특정어플리케이션을처리할때필요로하는온칩메모리사이즈와 1mm 2 면적에넣을수있는 edram/sram 사이즈비교 < 그림 13> Micron 사의 Hybrid Memory Cube(HMC) 를이용한 Neurocube 시스템구조와인공신경망구현 39 전자공학회지 _ 39

50 궁재하 Neurocube에서는 16개로구분된 Logic Layer 구역에 Neural Network을연산할수있는연산하드웨어 (PE: Processing Engine) 와메쉬구조의온칩네트워크 (Network-on-Chip) 을구성하여 Vault간의통신을가능하게한다. 추가적으로데이터를요청하여받는식이아닌데이터주소를지속적으로생성시켜 (Neural Network 알고리즘은데이터접근이매우순착적이기때문에가능 ) 데이터를 Logic Layer로끊임없이 Prefetching 하는방식을제안하고있다. 이는데이터접근시간을반으로줄여주는효과가있다 (2배의성능향상 ). 또하나의중요한요소는여러인공신경망을프로그램할수가있다는것이다. CNN, MLP, 혹은 RNN은이전레이어또는현재레이어와의정해진연결구조로알고리즘이정해진다. 따라서서로다른레이어구조를연결되는뉴런순서즉메모리접근주소의순서를 Finite State Machine으로미리연산함 (Prefetching) 으로여러가지 Neural Network를프로그램할수있게된다. 또한, Neurocube는레이어마다 Host 프로세서가프로그래밍하는구조를가지고있으며, 이때프로그래밍해야하는변수들은 Neural Network 종류에따라조금씩달라진다. Prefetching을위해 Vault Controller( 기존 DDR에서의메모리컨트롤러와같은개념 ) 에서데이터주소를생성하여각 Vault의메모리 Bank들을접근하게된다. 데이터가준비되면다시 Vault Controller로보내며이를데이터패킷으로만들어 Logic Layer에존재하는 NoC로이동시키게된다. 이패킷에는데이터생성지점과도착지점에대한정보가있으며, 해당 Logic Layer에있는 PE에서몇번째 MAC(Multiply Accumulate) 하드웨어가해당연산을담당할지에대한정보가존재한다. 자세한 Neurocube 프로그래밍방법은 [19] 를통해확인할수있다. Neurocube의시스템성능분석을위해 cycle-level simulator가사용되었으며, 그분석결과의몇가지를 < 그림 14> 에서확인할수있다. 먼저, Neurocube와같이 Bandwidth가높은메모리를사용할경우, 일반적인 DDR에비해성능이크게향상됨을볼수있다. 이는증가된 Bandwidth 뿐만아니라데이터 Prefetching, NoC 를통한효율적데이터이동에서오는성능향상이다. 또한, 데이터 Partitioning에의해발생하는 Vault 간의데이터이동을줄이기위한데이터복제 (Duplication) 를통해트래픽을줄일수있다. 하지만, Neurocube와같이 3D로쌓는기술의경우발열문제가항상발생하게된다. Logic Layer에서연산을할때발생하는열이바로빠져나가지못하기때문이다. 따라서 3D 메모리기술을이용하는경우온도분석을통해허용가능한온도이내로동작이가능한지살펴보아야한다. < 그림 15> 에서보듯이 Neurocube의경우, 15nm FinFet 공정기술에서 5GHz라는높은주파수로동작시키는경우에도최대온도가 349K(Logic Layer에서최대온도가형성됨 ) 으로 HMC 메모리가허용하는 383K 이내로동작함을확인할수있다. 2. PIM 기반인공지능하드웨어연구의진행앞서소개한 Neurocube는 PIM 구조로인공지능하드웨어를구현함으로메모리병목현상을해결하고성능을향상시킴을최초로보여주었다. 하지만, 이는온칩메모리에서의데이터재활용을통한에너지효율및성능의최적화가되어있지않다는단점이있다. 2017년 4월 < 그림 14> Neurocube 의시스템성능실험결과 < 그림 15> Neurocube 시스템구조의온도분석결과 40 _ The Magazine of the IEIE 40

51 에너지고효율인공지능하드웨어 < 그림 16> VGGNet[21] 연산시 PE array 크기와온칩메모리크기에따른에너지소모와연산속도분석결과 < 그림 17> 2D 와 3D 인공지능하드웨어구조간의성능및에너지소모량비교실험결과 에 Stanford에서는이러한최적화측면의단점을보완한 TETRIS라는 PIM 기반인공지능하드웨어를발표 [20] 하였으며, 이를간략하게소개하고자한다. < 그림 16> 에서보듯이 3D 메모리를활용하게됨으로써데이터대역폭이크게증가하여온칩에서처리할수있는데이터양이늘어나게된다. 따라서, 실질적으로연산을처리하는 PE array의크기를증가시킬수있다. 온칩메모리크기는줄이는것이성능에큰손실이없기때문에에너지소모측면에서이득이된다. 각메모리 Vault에 PE 196개와온칩메모리 133kB인경우가장높은성능과에너지효율을갖게된다 (< 그림 16>). DDR 기반의가속하드웨어들은온칩메모리를증가시켜성능을향상 [22] 시켰으나, PIM 구조의가속하드웨어를설계하게되면다른최적화방법을선택해야하겠다. TETRIS는 PIM 구조에적합한 PE array 크기와온칩메모리에대한분석을통해에너지효율및성능의최적화를가져왔다. 이외에도 HMC 메모리층내에서의덧셈연산 (Accumulation) 을통한메모리접근횟수감소를통해성능향상을시키고있다. 또한, Neural Network 내의각변수에대해어떻게 Vault들에나누어연산하는것이성능향상측면에서좋은지를분석하여적절한 NN Partitioning 을제안한다. 다양한측면에서의최적화를통해 TETRIS는 PIM 기반의인공지능하드웨어의성능을더욱향상시키고있다. < 그림 17> 에서는 2D구조의인공지능하드웨어와 3D 구조의하드웨어간의연산성능및에너지소모량을비교하여보여주고있다. 실험결과에서는 LPDDR3를사용한 2D구조와 Neurocube와같은 3D구조를제안한 TETRIS 구조와비교하고있다. 2D구조의경우, 전력소모가크고성능이메모리대역폭에의해제한된다. 이에비해 Neurocube 의경우, 에너지효율을 10~30% 정도향상시킬수있으며, TETRIS와같은구조를통해최적화를더이루게될경우 Neurocube보다 15% 정도더효율을높일수있다. 성능의경우, Neurocube에서데이터 Prefetching을통한성능향상이있으나다른최적화가고려되지않기에 TETRIS에서의여러최적화방법을통해 20% 정도의성능향상을얻을수있다. Ⅴ. 결론및전망 본특집에서는모델의학습이후비트수를조절하는여러방법론에대해살펴보았지만, 이외에도여러기법으로하드웨어의전력을제어할수있으며같은알고리즘을활용할수있겠다. 저전력화및경량화를위해많은제어알고리즘또는새로운인공신경망모델들이지속적으로제안되고있으며, 에너지고효율인공지능하드웨어구현에있어서필수적인연구라고생각된다. 특히인공지능의빠른성능향상으로자율주행자동차, 드론, 스마트폰등모바일환경에서의이용이증가할것이기때문에기계학습의정확도를감소시키지않으며경량화시키는하드웨어설계방법및제어알고리즘의연구가지속되어야하겠다. 인공지능의학습 (Training) 에서는이와다르게데이터센터에서처리가많기때문에연구및개발의초점이경량화가아닌고성능화를통한에너지효율증가가되야할 41 전자공학회지 _ 41

52 궁재하 것이다. 본특집에서다룬연구들과같이 PIM 구조인공지능하드웨어의서버시스템으로의도입이빠른시일내에가능해지도록그연구가활발히진행되어야할것이다. 특히, 국내기업들이 3D 메모리구현및개발기술이세계최고라는점을볼때인공지능학습서버구축을선도할가능성이굉장히높다고본다. 현재까지의 PIM 기반인공지능하드웨어연구는추론에대해서다루고있기때문에학습에서의빅데이터처리최적화, 메모리활용의효율성증가에대한연구가이어져야하겠다. 참고문헌 [1] K. He, X. Zhang, S. Ren, and J. Sum. Deep residual learning for image recognition, arxiv: , Dec [2] D. Silver et al. Mastering the game of Go without human knowledge, Nature, vol. 550, pp , Oct [3] S. F. Weng et al. Can machine-learning improve cardiovascular risk prediction using routine clinical data?, PLoS ONE 12(4): , Apr [4] Y. LeCun, Y. Bengio, and G. Hinton. Deep learning, Nature, vol. 521, pp , May [5] S. O. Erik et al. Deep voice: real-time neural text-tospeech, arxiv: v2, Mar [6] Y. Taigman, M. Yang, M. Ranzato, and L. Wolf. DeepFace: closing the gap to human-level performance in face verification, in 2014 IEEE Conf. Computer Vision and Pattern Recognition (CVPR), pp , June [7] S. Han, H. Mao, and W. J. Dally. Deep compression: compressing deep neural networks with pruning, trained quantization and Huffman coding, arxiv: , Oct [8] J. Kung, D. Kim, and S. Mukhopadhyay. A poweraware digital feedforward neural network platform with backpropagation driven approximate synapses, in 2015 IEEE/ACM Int. Symp. Low Power Electronics and Design (ISLPED), pp , July [9] M. Courbariaux et al. Binarized neural networks: training deep neural networks with weights and activations constrained to +1 or 1, arxiv: , Feb [10] J. Kung, D. Kim, and S. Mukhopadhyay. Dynamic approximation with feedback control for energy-efficient recurrent neural network hardware, in 2016 ACM/IEEE Int. Symp. Low Power Electronics and Design (ISLPED), pp , Aug [11] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. Gradientbased learning applied to document recognition, in Proc. the IEEE, 86(11), pp , Nov [12] S. Venkataramani et al. AxNN: energy- efficient neuromorphic systems using approximate computing, in 2014 ACM/IEEE Int. Symp. Low Power Electronics and Design (ISLPED), pp , [13] D. Kim, J. Kung, and S. Mukhopadhyay. A power-aware digital multilayer perceptron accelerator with on-chip training based on approximate computing, IEEE Transactions on Emerging Topics in Computing (TETC), vol. 5, no.2, pp , May [14] H. Yu et al. Video paragraph captioning using hierarchical recurrent neural networks, arxiv: , Oct [15] T. Young, D. Hazarika, S. Poria, and E. Cambria. Recent trends in deep learning based natural language processing, arxiv: v4, Aug [16] N. P. Jouppi et al. In-datacenter perfor mance analysis of a tensor processing unit, in Proc. 44th Annual Int. Symp. Computer Architecture (ISCA), June [17] [18] U. Koster et al. Flexpoint: an adaptive numerical format for efficient training of deep neural networks, arxiv: , Nov [19] D. Kim et al. Neurocube: a programmable digital neuromorphic architecture with high- density 3D memory, in Proc. 44th Annual Int. Symp. Computer Architecture (ISCA), June [20] M. Gao et al. TETRIS: scalable and efficient neural network acceleration with 3D memory, in Proc. 22nd Int. Conf. Architectural Support for Programming Languages and 42 _ The Magazine of the IEIE 42

53 에너지고효율인공지능하드웨어 Operating Systems (ASPLOS), pp , Apr [21] K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition, arxiv: , Sep [22] Y.-H. Chen, J. Emer, and V. Sze. Eyeriss: a spatial architecture for energy-efficient dataflow for convolutional neural networks, in Proc. 43rd Annual Int. Symp. Computer Architecture (ISCA), June 궁재하 2010 년 2 월고려대학교공과대학전자공학과학사 2012 년 2 월 KAIST 전기및전자공학부석사 2017 년 5 월 Georgia Institute of Technology 전자컴퓨터공학부박사 2017 년 6 월 ~2017 년 12 월포항공과대학교창의 IT 융합공학과박사후연구원 2017 년 12 월 ~ 현재 DGIST 정보통신융합공학과조교수 < 관심분야 > 가속하드웨어설계, 딥러닝 SoC, VLSI 43 전자공학회지 _ 43

54 특집 인공지능하드웨어설계및최적화기술 인공지능하드웨어설계및 최적화기술 Ⅰ. 서론 김원종 ETRI SW-SoC개방형플랫폼실 2012년에 Alexnet이 ImageNet 대회에서처음으로딥러닝기술로 1 등에오른후 3년만에 < 그림 1> 에서와같이 2015년에인간의이미지인식에러율인 5% 를딥러닝기술이앞서게되었다 [1-2]. 하지만, 이대회에서는인식정확도만개선을목표로하였으며, 알고리즘의복잡도는크게고려하지않았다. 따라서개발된알고리즘을실제환경에서사용하거나상용화를하기위해서는적정수준의알고리즘을새롭게개발하건, 하드웨어가속기술을적용할필요가있다. 그럼에도불구하고복잡한알고리즘을이용한학습의효율성을위해서 2012년의 AlexNet에서부터 GPU (Graphics Processing Unit) 를사용하기시작하였으며, 이후많은수의참가자가 GPU를사용하게되었다. GPU 사용에도한계를느끼게되면서뉴럴네트워크모델연구에대한관심은하드웨어설계의효율성및실제활용하기위한최적화기술개발로관심이빠르게옮겨지고있다. 특히클라우드기반의인공지능서비스를제공하는글로벌기업들은 CPU와 GPU로구성된데이터센터의에너지효율향상을위하여 FPGA 를이용한하드웨어가속기술을도입하고있다. MS는 BrainWave 프로젝트를통해서 DNN (Depp Neural Network) 엔진을구동하는 이상헌 ( 주 ) 디퍼아이 < 그림 1> ImageNet 대회이미지인식결과 [2] 44 _ The Magazine of the IEIE 44

55 인공지능하드웨어설계및최적화기술 FPGA(Field Programmable Gate Array) 하드웨어와고성능분산시스템아키텍처및학습된인공지능모델을배포하기위한컴파일러와런타임으로구성된시스템을개발하여 2017년 HotChips에서발표하였다 [34]. Amazon은 EC2 F1 인스턴스라는명칭의 FPGA 가속서비스를개발하여 2016년부터제공하고있다 [35]. 본고에서는인공지능하드웨어설계와관련하여최근에연구되고있는기술을소개하고자하며, 특히많은연산을필요로하는 DNN을위한하드웨어기술을중점적으로다루고자한다. Ⅱ. DNN 하드웨어설계기술 최근인공지능기술개발에서 DNN의뛰어난효과로인해 DNN 연산을효과적으로처리하기위해 Intel Fathom, Nvidia Jetson TX1/2, 같은다양한전용하드웨어설계기술들이발표되고있다. [3-5] 이러한전용솔루션들이어떻게효과적인 DNN 연산을수행하는지관련기술에대해서살펴보고자한다. 1. 구조적차이에따른연산처리방법최근의 DNN 구조는 Convolution이나 Fully Connected 연산과같이병렬처리에용이한 MAC (multiply-and- accumulate) 연산기를필요로한다. 이러한연산처리방식은 < 그림 2> 와같이시간적 (temporal) 병렬처리구조와공간적 (spatial) 병렬처리구조로구별해서처리할수있다. 시간적구조 : 대부분 CPU 또는 GPU 구조에서 SIMD (Single Instruction, Multiple Data) 또는 SIMT (Single Instruction, Multiple Threads) 와같은병렬처리기술로구현될수있다. 이러한구조는중앙집중식제어를통해연산기를제어하는방식이일반적이다. 또한연산기는메모리계층구조를통해상호데이터통신이가능하며, 연산기상호간의통신은불가능하다. 이러한구조는곱셈수를줄이는방식으로연산최적화가가능하다. 공간적구조 : 연산기사이에데이터를전달할수있는데이터플로우처리방식으로, 연산기사이에데이터가전달될수있도록체인형태로구성된다. 연산기는자체적인제어회로와스크래치패드 (scratch pad) 또는레지스터파일과같은로컬메모리를포함하기도한다. 이러한구조는 FPGA나 ASIC(Application-Specific Integrated Circuit) 과같은전용하드웨어솔루션에서많이활용되고있다. 이러한구조는데이터플로우방식으로인한메모리계층을단순화시킴으로써에너지효율을높일수있는장점이있다. 본고에서는 CPU나 GPU보다전용하드웨어설계에많이이용되는공간적병렬화구조를중심으로알아보고자한다. 2. 효율적인데이터플로우구조 DNN 구조에있어서연산의병목은메모리액세스부분이다. MAC 연산은 < 그림 3> 에서와같이 3번의메모리읽기와 1번의메모리쓰기를필요로한다. 모든데이터가외부의 DRAM에있는경우에는 DRAM에대한액세스가병목으로작용하게된다. 이러한메모리액세스를효율적으로처리하기위하여연산기주변에 < 그림 4> 와같이계층적메모리구조를사용하기도한다. PE(Processing Element) 는내부에로컬메모리로 RF(Register File) 을가지고있으면서 ALU와 < 그림 2> 시간적병렬처리및공간적병렬처리구조 < 그림 3> MAC 연산에서의메모리읽기와쓰기 45 전자공학회지 _ 45

56 김원종, 이상헌 < 그림 4> 계층적메모리구조개념 < 그림 5> 계층적메모리의상대적에너지비교 < 그림 7> DNN 에서의데이터플로우형태 < 그림 6> DNN에서의데이터재사용직접데이터를주고받는다. 계층적메모리구조각각의데이터액세스에서의상대적인에너지소비를비교하면 < 그림 5> 와같으며, 이는처리성능에도유사하게영향을주게된다 [33]. 이러한데이터액세스는데이터메모리사용의효율성을위하여 < 그림 6> 에서와같이 3가지형태의데이터재사용가능한구조를생각해볼수있다 [33]. 컨볼루션재사용에서는입력특징맵활성화데이터와필터웨이트가하나의채널에서재사용된다. 특징맵재사용에서는여러필터가하나의특징맵에사용되므로입력특징맵활성화데이터가여러번사용된다. 필터재사용에서는여러입력특징맵이한번에처리되므로, 동일한필터값들이입력특징맵에여러번이용된다. 이러한로컬메모리사용을최대화하고, 외부 DRAM에의액세스를최소화함으로써 DNN 처리효율을크게향상시킬수있다. 데이터를다루는특성에따라서데이터플로우는 < 그림 12> 에서와같은 3가지와 Row Stationary 구조로구 < 그림 8> Row Stationary DNN 데이터플로우구조의 PE 내에서의 1-D 콘볼루션재사용 분할수있다 [33]. Weight Stationary 구조는 PE에서 RF 로부터가중치액세스를최대화함으로써가중치읽기에서소비되는에너지를최소화하는방법으로, DRAM에서각 PE의 RF에읽어들인가중치값이고정된다. Output Stationary 구조는부분합을쓰고읽는과정에서의에너지소비를최소화하는구조로, 부분합을누적하는형태로 RF에유지하는방법을사용한다. PE에로컬메모리를가지는것은에너지면에서는효율적이지만, 면적관점에서는비효율적일수있으므로, < 그림 7(c)> 에서와같이내부에공용의글로벌버퍼메모리를두고외부의 DRAM 액세스만을최소화하는구조를사용할수도있다. 전반적인에너지효율향상을위하여 RF에서가중치와픽셀값및부분합등의대부분의데이터를재사용하는 Row Stationary 구조도제안되었다 [33]. < 그림 8> 에서와같이 1-D Row 컨볼루션을각 PE에할당하고, 이들을조합하여 < 그림 9> 에서와같이 2-D 컨볼루션을재사용할수있는구조를제안하였다. 이러한 Row Stationary 구조를적용한결과는 [24] 에 46 _ The Magazine of the IEIE 46

57 인공지능하드웨어설계및최적화기술 Ⅲ. DNN 하드웨어설계최적화기술 < 그림 9> Row Stationary DNN 데이터플로우구조의공간적배열내에서의 2-D 콘볼루션재사용 초기 DNN 모델연구에서는하드웨어구현복잡성을크게고려하지않고네트워크의정확성을극대화하기위한방향으로진행되었다. 그러나이러한연구방향은최근 DNN 자체를실생활에적용하기에쉽지않은문제를야기시켰다. 따라서최근에는정확도와연산처리를극대화하면서에너지와비용을최소화하기위한연구가활발히진행되고있다. < 그림 10> Eyeriss DNN 가속기구조소개되었으며, PE 배열과, 108 KB의글로벌버퍼등을포함하는 < 그림 10> 과같은구조를가진다. < 그림 11> 은여러가지데이터플로우구조에서의 AlexNet에대한에너지효율을비교한것으로 (a) 는컨볼루션레이어 (b) 는 FC 레이어에서의에너지효율을비교한것이다. 1. 정밀도최적화방법연산에사용된값들에대해서원래의정밀도에비해낮은정밀도를활용할경우적은메모리공간과메모리통신을통해구현비용과에너지효율에서좋은효과를볼수있다. 그리고연산기구조를좀더간소화할수있는효과도기대할수있다. 정밀도를효율적으로낮추기위해서는양자화방법을적절히잘선택해야한다. 양자화를하는방법에는 < 그림 12> 과같은예를들수있다. (1) 선형양자화정밀도를줄이는방법중가장단순한방법은부동소수점연산을고정소수점연산으로변환하는것이다. < 그림 13> 에서수를표현할수있는다양한예를보여주고있 (a) AlexNet Convolution Layer (b) AlexNet FC Layer < 그림 11> 데이터플로우구조별에너지효율비교 < 그림 12> 다양한양자화방법들 47 전자공학회지 _ 47

58 김원종, 이상헌 < 그림 13> 수를표현하는다양한방법다. 8 비트정수의경우 f = 0 인경우동적범위는 -128 에서 127 사이이고, f = 10 인경우동적범위는 에서 이다. 가중치및활성화의동적범위가매우다를수있으므로 DNN에서이러한표현방식은상당히유용하게활용될수있다. 동적고정점을사용하면가중치의미세조정없이비트폭을가중치 8 비트및활성화 8~10 비트로줄일수있다 [8-9]. 8 비트고정소수점연산을사용할경우덧셈연산에서는 32비트고정소수점덧셈에비해서약 3.3배의에너지소모 ( 면적은 3.8배 ) 감소를기대할수있으며, 32비트부동소수점덧셈에비해약 30배의에너지소모 ( 면적은 116배 ) 감소를기대할수있다. 또한곱셈연산에서는 32비트고정소수점곱셈에비해서약 15.5배의에너지소모 ( 면적은 12.4배 ) 감소를기대할수있으며, 32비트부동소수점연산에비해약 18.5배의에너지소모 ( 면적은 27.5배 ) 감소를기대할수있다 [10]. 이러한방식은최근발표된 Google의 TPU, Nvidia의 PASCAL GPU와같은상용화기술에적용되어사용되고있다 [11-12]. 최근에는정밀도를극단적으로줄이려는연구도활발히진행되고있다. BinaryConnect (BC) [13] 는이진가중치 ( 즉, -1과 1) 의개념을도입했다. 이진가중치를사용하면 MAC의곱셈을더하기및빼기로줄일수있다. 이것은이진가중치와활성화를사용하는 Binarized Neural Networks (BNN) [14] 에서후에더욱확장되어 MAC을 XNOR로줄였다. 그러나 BC와 BNN 방식을적용할경우각각 19 % 와 29.8 % 정도의정확도손실을감수해야할것이다 [15]. 이러한손실을줄이기위해 BWN (Binary Weight Nets) 및 XNOR-Nets는 DNN 연산처리시몇가지보완점을도입하였다. 동적범위를복구하기위해출력을곱할때 ( 가중치는필터에서가중치의절대값평균을나타내는 -w 및 w) 첫번째와마지막레이어를 32 비트부동소수점정밀도로처리하고, 컨볼루션전에정규화 (normalization) 를수행하여활성화의동적범위를줄였다. 이러한보완점은 BWN에서정확도손실을 0.8 % 로줄였고, XNOR-Nets는 11 % 로줄일수있었다. 앞서설명한 Binary 네트워크는가중치를두개의값 (-w 및 w) 으로제한한다. 그러나가중치에 0 값이포함될경우 ( 즉, -w, 0, w) 몇가지이점을얻을수있다. Binary 가중치에비해가중치당비트가 1 비트더필요하지만가중치의희소성 (sparsity) 을이용하여계산및저장비용을줄이면잠재적으로추가비트의비용을상쇄할수있다. 이러한연산방식을 Ternary Weight Nets (TWN) [16] 이라하고, 각가중치 ( 즉, -w1, 0, w2) 에대해다른스케일로학습 Ternary Quantization (TTQ) [17] 는 0.6 % 의정확도손실을가진다 (32비트부동소수점활성화가정 ). (2) 비선형양자화선형양자화는레벨이균일한간격을갖는반면, 비선형양자화는가중치와활성화의분포가일정하지않은것을가정한다 [7, 18]. 따라서비선형양자화는잠재적으로정확도를선형양자화에비해좀더향상시킬수있음을알수있다. 특히, 최근 (1) 로그양자화와 (2) 학습된양자화또는가중치공유접근법이연구되고있다. 로그양자화는 < 그림 12(b)> 와같이대수분포에따라양자화레벨을할당하면가중치와활성화가다른레벨에보다균등하게분배되고, 각레벨이보다효율적으로사용되어양자화오류가줄어든다. 예를들어, VGG- 16 [19] 에선형양자화 4 비트를사용하면 27.8% 의정확성손실이발생하지만 log2 양자화를적용하면정확성손실이 5 % 만발생한다. 또한, 가중치가 2의제곱으로양자화되면, 승산은비트시프트로대체될수있다 [18,20]. INQ (Incremental Network Quantization) 를사용하여크 48 _ The Magazine of the IEIE 48

59 인공지능하드웨어설계및최적화기술 < 표 1> 정확도최적화방법에따른 AlexNet 결과비교 Precision Reduction Method bitwidth Accuracy loss vs. Weights Activations 32-bit float (%) Dynamic Fixed Point w/o fine-tuning w/ fine-tuning BinaryConnect 1 32 (float) 19.2 Reduce Weight Binary Weight Network (BWN) 1* 32 (float) 0.8 Ternary Weight Networks (TWN) 2* 32 (float) 3.7 Trained Ternary Quantization (TTQ) 2* 32 (float) 0.6 XNOR-Net 1* 1* 11 Binarized Neural Networks (BNN) Reduce Weight and Activation DoReFa-Net 1* 2* 7.63 Quantized Neural Networks (QNN) 1 2* 6.5 HWGQ-Net 1* 2* 5.2 LogNet 5 (conv), 4 (fc) Incremental Network Quantization (INQ) 5 32 (float) -0.2 Non-linear Quantization 8 (conv), 4 (fc) 16 0 Deep Compression 4 (conv), 2 (fc) 고작은가중치를다른그룹으로나누고반복적으로가중치를양자화하고다시학습하여정확성의손실을줄일수있다 [21]. 가중치공유접근법은여러가중치를단일값을공유하도록하는방식이다. 이방식은필터또는레이어의고유한가중치수를줄일수있다. 한가지예로해싱함수를사용하여가중치를그룹화하고각그룹에하나의값을사용하는것이다 [22]. 다른방법으로, 가중치를 k-mean 알고리즘 [7] 에의해그룹화될수있다. 필터의각위치에서사용할가중치를나타내는공유가중치와색인값이모두저장된다. 이것은가중치를가져오는 2 단계과정으로이어진다 : (1) 가중치색인값을읽는다 ; (2) 가중치색인값사용하여공유가중치를읽는다. 이접근법은가중치색인 ( 고유가중치수의 log2) 이가중치자체의비트폭보다작으면가중치를읽고저장하는비용을줄일수있다. < 표 1> 은최근에사용된주요정밀도줄이기방법들에의한결과를요약한것이다. (activation statistics) 활용, 네트워크프루닝 (network pruning), 네트워크구조설계 (network architecture design) 및지식증류 (knowledge distillation) 등으로분류될수있다. (1) 활성화통계활용방법 ReLU는 DNN에서가장널리사용되는비선형함수로 < 그림 14(a)> 에서와같이모든음수값을 0으로출력한다. 결과적으로, 특징맵의출력은 ReLU 후에희소성을갖게된다. 예를들어, AlexNet의특징맵은 < 그림 2. 오퍼랜드 (operand) 와모델크기최적화연산또는오퍼랜드 ( 가중치 / 활성화 ) 의각크기를줄이는것외에도연산수및모델크기를줄이는방법에대한많은연구가진행되고있다. 이러한기술은활성화통계 < 그림 14> ReLU 사용에따른활성화수감소 49 전자공학회지 _ 49

60 김원종, 이상헌 14(b)> 에서희소성을 19% 에서 63% 정도갖게된다. 이러한희소성으로인해 ReLU는시그모이드 (Sigmoid) 등과같은다른비선형함수에비해구현상이점을제공한다. 희소성은특히고가의오프칩 DRAM 액세스에대해압축을사용하여에너지및면적을절약할수있다. 예를들어, 16 비트의 0이아닌값과 31개의 0 값을간단한 run length 코딩을활용하면외부메모리대역폭을 2.1 배정도줄일수있으며, 전체메모리대역폭을 1.5배정도 ( 가중치포함 ) 줄일수있다 [23]. 압축외에도하드웨어는가중치읽기를건너뛰고 0 값에대해 MAC를수행하여에너지비용을 45% 정도줄일수있다 [24]. 또한연산사이클을건너뛰어하드웨어처리량을 1.37 배정도증가시킬수있는효과를기대할수있다 [25]. 또한, 낮은값의활성화를제거하여활성화결과를훨씬더희소하게만들수있다. 예를들어작은값을가진모든활성화가제거된경우정확도에거의영향을미치지않고추가적으로 11% 정도연산처리속도개선효과와 2 배의파워소모절감효과를볼수있다 [25-26]. (2) 네트워크모델최적화 DNN 학습을쉽게하기위해 DNN은일반적으로초과매개변수화 (over-parameterized) 구조로되어있다. 따라서, 네트워크에서많은양의가중치가중복되어제거될수있다 ( 즉, 0으로설정 ). 이러한처리를네트워크프루닝이라고한다. 공격적인네트워크프루닝은원래의정확도를유지하기위해종종가중치의미세조정 (finetuning) 을요구한다. 이것은 1989년에 Optimal Brain Damage [27] 라는기술을통해처음제안되었다. 그아이디어는각가중치의영향을가중치손실과관련하여학습손실에미치는영향을계산하는것이었다. 낮은중요도가중치는제거되고나머지가중치는미세조정된다. 이과정은원하는가중치감소및정확도에도달할때까지반복된다. 2015년에는 [28] 에서현재의 DNN에유사한아이디어가적용되었다. 대용량 DNN을계산하기에는너무어려운메트릭으로두드러진값을사용하는대신네트워크프루닝을단순히가중치의크기를기반으로한다. 작은가중치가제거되고모델이정확도를복원하도록미 < 그림 15> 저장형식이다른희소행렬벡터곱세조정한다. 가중치를미세조정하지않으면가중치의약 50 % 가제거될수있지만, 미세조정을통해 80% 까지가중치가제거될수있다. DNN에서행렬-벡터곱셈을수행할때압축된포맷으로희소가중매트릭스를저장하는방법을결정하는중요한문제가있다. 압축은행또는열순서로적용할수있다. < 그림 15(a)> 와같이, 희소매트릭스-벡터곱셈을수행하기위해압축된희소행 (CSR) 포맷이사용된다. 그러나행렬의각행이희소하기때문에입력벡터는그하위집합만사용되더라도여러번읽어야한다. 반면, < 그림 15(b)> 와같이, 압축된희소컬럼 (CSC) 포맷이사용될때출력은수회갱신되고, 입력벡터의한원소만이한번에읽혀진다 [29]. CSC 포맷은출력이입력보다작거나필터수가필터의가중치수보다현저히크지않은경우 CSR 포맷보다전반적으로더낮은메모리대역폭을요구한다. 50 _ The Magazine of the IEIE 50

61 인공지능하드웨어설계및최적화기술 (3) 네트워크구조소형화가중치와연산수는네트워크구조자체를개선하여줄일수도있다. 최신동향은큰필터를연속된작은필터로대체하고있다. 따라서, 전체필터의총가중치수는더적어진다. 이방법은네트워크아키텍처설계중에 ( 학습전 ) 또는학습된네트워크의필터를분해하여 ( 학습후 ) 적용할수있다. 후자의경우네트워크를재학습하는번거로움을피할수있으나유연성이떨어진다. 타겟 (0 또는 1 값 ) 대신소프트타겟 (0과 1 사이의값 ) 이사용된다. 데이터세트의라벨목표는소프트타겟과학생 DNN의클래스점수의차를최소화하는것이다. 클래스점수의작은값은 softmax에의해제거될수있는중요한정보를포함하기때문에클래스점수대신클래스대상이소프트대상으로사용된다. Ⅳ. 전망과결론 (4) 지식정제 (knowledge distillation) DNN을사용하거나여러모델 ( 예 : 앙상블 ) 의예측평균을구하는것은단일한얕은 (shallower) 네트워크를사용하는것보다더나은정확성을제공한다. 그러나계산상의복잡성은더높아질수밖에없다. 두경우의장점을최대한살리기위해지식정제는복잡한모델 ( 교사 ) 에서습득한지식을단순한모델 ( 학생 ) 로전달한다. 따라서학생네트워크가동일한데이터세트로직접학습된경우달성할수없는정확도를얻을수있다 [30-31]. 예를들어, [32] 는지식정제를사용하여학생네트워크의음성인식정확도를 2% 향상시킬수있는방법을보여준다. 이는 10개네트워크의앙상블로구성된교사네트워크의정확도와유사하다. < 그림 19> 는가장간단한지식정제방법을보여준다 [30]. Softmax 층은일반적으로이미지분류네트워크에서출력레이어로사용되어클래스점수에서클래스확률을생성한다. 클래스점수를 0과 1 사이의값으로채우며, 최대값은 1 이다. 이지식정제방법의경우, 교사 DNN ( 또는교사 DNN의앙상블 ) 과같은하드 < 그림 16> 학생 DNN과교사 DNN의앙상블간스코어매칭 인공지능이여러가지많은어려운문제를해결할수있는솔루션으로대두되고있는상황에서실생활에활용되기위해서는성능과소비전력등이현실화되어야하며, 이를위해서다양한형태의가속기술이개발되고있다. 인공지능시스템은 CPU에서 DSP에이어 GPU로발전하였으나, 보다효율적인처리를위하여 FPGA를사용하는기술개발과함께 ASIC 솔루션도개발되고있다. 단말기에서인공지능추론을효율적으로수행하기위해서는 NPU(Neural Processing Unit) 와같은하드웨어가속기가주류를이룰것으로예상된다. 특히클라우드형태로인공지능솔루션을제공하는기업은기존의 CPU/ GPU 중심의클라우드시스템에서 FPGA를이용한솔루션을도입하고있는추세이며, 이러한추세는당분간확대될것으로전망된다. 참고문헌 [1] [2] Vivienne Sze et al., Efficient Processing of Deep Neural Networks: A Tutorial and Survey, arxiv preprint arxiv: v2, [3] [4] [5] [6] E. H. Lee, D. Miyashita, E. Chai, B. Murmann, and S. S. Wong, Lognet: Energy-Efficient Neural Networks Using Logrithmic Computations, in ICASSP, [7] S. Han, H. Mao, and W. J. Dally, Deep Compression: Compressing Deep Neural Networks with Pruning, Trained 51 전자공학회지 _ 51

62 김원종, 이상헌 Quantization and Huffman Coding, in ICLR, [8] Y. Ma, N. Suda, Y. Cao, J.-S. Seo, and S. Vrudhula, Scalable and modularized RTL compilation of Convolutional Neural Networks onto FPGA, in FPL, [9] P. Gysel, M. Motamedi, and S. Ghiasi, Hardware-oriented Approximation of Convolutional Neural Networks, in ICLR, [10] M. Horowitz, Computing s energy problem (and what we can do about it), in ISSCC, [11] S. Higginbotham, Google Takes Unconventional Route with Homegrown Machine Learning Chips, Next Platform, May [12] T. P. Morgan, Nvidia Pushes Deep Learning Inference With New Pascal GPUs, Next Platform, September [13] M. Courbariaux, Y. Bengio, and J.-P. David, Binaryconnect: Training deep neural networks with binary weights during propagations, in NIPS, [14] M. Courbariaux and Y. Bengio, Binarynet: Training deep neural networks with weights and activations constrained to+ 1 or-1, arxiv preprint arxiv: , [15] M. Rastegari, V. Ordonez, J. Redmon, and A. Farhadi, XNORNet: ImageNet Classification Using Binary Convolutional Neural Networks, in ECCV, [16] F. Li and B. Liu, Ternary weight networks, in NIPS Workshop on Efficient Methods for Deep Neural Networks, [17] C. Zhu, S. Han, H. Mao, and W. J. Dally, Trained Ternary Quantization, ICLR, [18] D. Miyashita, E. H. Lee, and B. Murmann, Convolutional Neural Networks using Logarithmic Data Representation, arxiv preprint arxiv: , [19] E. H. Lee, D. Miyashita, E. Chai, B. Murmann, and S. S. Wong, Lognet: Energy-Efficient Neural Networks Using Logrithmic Computations, in ICASSP, [20] P. Gysel, M. Motamedi, and S. Ghiasi, Hardware-oriented Approximation of Convolutional Neural Networks, in ICLR, [21] A. Zhou, A. Yao, Y. Guo, L. Xu, and Y. Chen, Incremental Network Quantization: Towards Lossless CNNs with Lowprecision Weights, in ICLR, [22] W. Chen, J. T. Wilson, S. Tyree, K. Q. Weinberger, and Y. Chen, Compressing Neural Networks with the Hashing Trick, in ICML, [23] Y.-H. Chen, T. Krishna, J. Emer, and V. Sze, Eyeriss: An Energy-Efficient Reconfigurable Accelerator for Deep Convolutional Neural Networks, IEEE J. Solid-State Circuits, vol. 51, no. 1, [24] Y.-H. Chen, T. Krishna, J. Emer, and V. Sze, Eyeriss: An Energy-Efficient Reconfigurable Accelerator for Deep Convolutional Neural Networks, in ISSCC, [25] J. Albericio, P. Judd, T. Hetherington, T. Aamodt, N. E. Jerger, and A. Moshovos, Cnvlutin: ineffectual-neuron-free deep neural network computing, in ISCA, [26] B. Reagen, P. Whatmough, R. Adolf, S. Rama, H. Lee, S. K. Lee, J. M. Hern andez-lobato, G.-Y. Wei, and D. Brooks, Minerva: Enabling low-power, highly-accurate deep neural network accelerators, in ISCA, [27] Y. LeCun, J. S. Denker, and S. A. Solla, Optimal Brain Damage, in NIPS, [28] S. Han, J. Pool, J. Tran, and W. J. Dally, Learning both weights and connections for efficient neural networks, in NIPS, [29] R. Dorrance, F. Ren, and D. Markovi c, A scalable sparse matrix-vector multiplication kernel for energy-efficient sparseblas on FPGAs, in ISFPGA, [30] C. Bucilu, R. Caruana, and A. Niculescu-Mizil, Model Compression, in SIGKDD, [31] L. Ba and R. Caurana, Do Deep Nets Really Need to be Deep? NIPS, [32] G. Hinton, O. Vinyals, and J. Dean, Distilling the Knowledge in a Neural Network, in NIPS Deep Learning Workshop, [33] Y.-H. Chen, J. Emer, and V. Sze, Eyeriss: A Spatial Architecture for Energy-Efficient Dataflow for Convolutional 52 _ The Magazine of the IEIE 52

63 인공지능하드웨어설계및최적화기술 Neural Networks, in ISCA, [34] A. M. Caulfield et al., "A cloud-scale acceleration architecture," IEEE/ACM MICRO, 2016, pp [35] David Pellerin, FPGA Accelerated Computing Using AWS F1 Instances, HotChips 2017 김원종 1989 년 2 월전남대학교공과대학전자공학과학사졸업 1992 년 2 월한양대학교대학원전자공학과석사졸업 2009 년 2 월한양대학교대학원전자공학과박사졸업 1999 년 2 월 ~2000 년 3 월한양대학교공학기술연구소선임연구원 2000 년 4 월 ~ 현재한국전자통신연구원선임 / 책임연구원 / 실장 < 관심분야 > 인공지능 / 기계학습가속기법, IoT 하드웨어개발, SoC 설계및설계방법론, VLSI CAD, 멀티미디어 SoC 설계, 하드웨어 / 소프트웨어통합설계, 저전력설계방법론등임 이상헌 2003 년 2 월숭실대학교정보통신전자공학부학사졸업 2005 년 2 월숭실대학교전자공학과석사졸업 2009 년 8 월숭실대학교전자공학과박사졸업 2009 년 9 월 ~2012 년 6 월 ( 주 ) 엠텍비젼 SoC 팀선임연구원 2012 년 8 월 ~2015 년 2 월 ( 주 ) 삼성테크윈 CCTV 사업부 SoC 팀책임연구원 2015 년 3 월 ~2016 년 12 월엠텍비젼 ( 주 ) SoC 팀팀장 2017 년 4 월 ~ 현재 디퍼아이대표이사 < 관심분야 > Intelligent Vision SoC, Deep Learning SoC, Lowpower Acceleration, System Optimization 53 전자공학회지 _ 53

64 특집 뉴로모픽컴퓨팅기술 뉴로모픽컴퓨팅기술 Ⅰ. 서론 황태호 전자부품연구원 SoC플랫폼연구센터 4차산업혁명의대표핵심기술인인공지능기술은모든것이연결되는세상인초연결사회 (Hyper- connected Society) 의미래 IT환경에서보다보편적이고범용적인다양한지능형응용서비스를위해사물들과자율적인정보전달과협업이가능한분산인공지능기술로발전할것으로예상된다. 인간의뇌를중심으로자율신경계및근육, 감각기관처럼부분적으로지능화된구조와같이인공지능서버를중심으로초연결사물인터넷의컴퓨팅환경에서뇌모방형초경량지능화반도체가탑재된사물들이개인, 홈, 작업, 공공장소등과같이주어진공간과사물의특징에맞는지능적인신호처리를통해인지 / 판단 / 제어의기능을담당하고지능화된사물에서가공된데이터는서버와연계하여서비스를보다지능화하고확장하는구조로발전될것이다. 미래인공지능서비스는처리단계적관점에서 1단계정보수집, 2단계병합 / 정제, 3단계분석, 4단계판단 / 학습의네가지단계로구분된순환사이클로구성되는데, 네단계로구분된처리절차는 < 그림 1> 과같이기능적으로엣지컴퓨팅영역과인지컴퓨팅영역으로구분할수있다. 대규모의소형 저전력장치들로구성된엣지컴퓨팅영역에서 1단계, 2단계의절차를통해지능적으로병합 정제된이벤트들이인지 ( 인공지능 ) 컴퓨팅서버로전달되고, 메인서버또는게이트웨이와같은장치로구성된인지컴퓨팅영역에서는 3단계와 4단계의분석 판단인공지능서비스를제공하는역할을담당하는구조로서인공지능서비스의기능적구분은인간의뇌를중심으로구성된자율신경계및근육, 감각기관의구조와같이뇌와같은인공지능서버 ( 인지컴퓨팅서 54 _ The Magazine of the IEIE 54

65 뉴로모픽컴퓨팅기술 체는인간의근육과감각기관 (10 3 개수준의뉴런 ) 처럼센서와신호들의지능적처리에특화된초소형 초저전력지능형반도체로구분된다. 다음장에서는이러한반도체를위한뇌모방형신호처리기술의발전과정, 기본적인특징에대해서살펴본다. Ⅱ. 뉴로모픽컴퓨팅기술의발전 < 그림 1> 인공지능서비스의단계별역할구분 < 그림 2> 인공지능반도체구분버 ) 를중심으로신경세포모방형지능화반도체가탑재된엣지장치들로구성되는구조이다. < 그림 2> 에서와같이각엣지컴퓨팅용장치에서지능적으로병합되고정제의과정을통해개별사이트에특성화된이벤트정보는인지컴퓨팅의지능적처리부하를대폭경감시키고, 실시간학습이포함된네단계의순환사이클은미래초융합사회에서의지능화된 Massive 응용서비스가가능하게하며, 기존딥러닝과같은 SW 모델기반인공지능기술은생체모방형반도체 (Non Von- Neumann 구조 ) 기술로발전하여소형화, 저전력화뿐만아니라실행과학습이병행되는인간과같은학습방식을갖는자율진화형서비스가가능해질것으로예상된다. 인지컴퓨팅을위한지능형반도체는인간의뇌용량 (10 10 개뉴런 ) 이상의대용량분산병렬컴퓨팅용반도체로구성된시스템이며, 엣지컴퓨팅을위한지능형반도 인공지능기술은크게컴퓨터사이언스분야에서지식표현 (Knowledge representation) 과구조화기능 (Structured Function) 기반의두가지방식으로 1950 년대이후부터발전해왔다. 전문가시스템, 에이전트, Fuzzy 등과같은지식표현기반의인공지능기술은 1980년대이후지식의정의와논리적연산을위한방대한체계의한계에부딪친반면뉴럴네트워크와같은구조화기능을기반으로하는인공지능기술은부분적인문제를해결하고자하는기계학습 (Machine Learning) 의 1세대퍼셉트론의단일레이어뉴럴네트워크로부터컴퓨팅성능의발전과더불어비선형데이터처리문제, 과적합, 학습에대한과도한연산등의여러문제들을해결하며최근딥러닝으로대표되는다층퍼셉트론레이어를통해강화학습기반의 2세대 SW 다층네트워크구조로발전해왔다. 2세대 SW모델의딥뉴럴네트워크 (DNN) 와같은인공지능기술은높은정확도에비하여학습을위한별도의컴퓨팅환경에서방대한학습용데이터셋과학습을위한높은컴퓨팅성능, 많은시간을요구하는단점을가지 < 그림 3> 인공지능 ( 뉴럴네트워크 ) 기술의세대별구분 55 전자공학회지 _ 55

66 황태호 고있어다양한분야에적용하는데한계를가지고있다. 최근 BP(Back-propagation) 으로대표되는학습을위한전용 HW 가속장치의개발과더불어학습의계산량을줄이는알고리즘의발전으로인해학습에필요한시간은획기적줄어들어범용적목적에접근하고있으나, 아직까지다양한분야에적용되기에는물리적인한계를가지고있다. 보다다양한분야에인공지능기술을적용하기위해서는보다소형화되고경량화된범용성의특징을가져야할뿐만아니라, 학습과실행이병행되는 on-line, 별도의컴퓨팅환경이아닌 on-chip에서학습이가능한인공지능반도체기술이필수적이라할수있다. 이를위해 Von-Neumann의컴퓨팅구조에최적화된 SW 뉴런모델의시스템은새로운구조의경량 HW 반도체로구현되어야하며, 인간과같은생체신호전달체계를모방한구조에서학습 / 실행 / 평가의기능이병행될수있는 3세대 HW인공지능기술인뉴로모픽인공지능반도체기술로발전할것으로기대하고있다 [1]. 1950년대전후하여뉴런세포의구조와신호전달메커니즘이밝혀지기시작하면서컴퓨터사이언스분야에서는앞서언급한것과같이퍼셉트론의수학적모델을기반으로 DNN과같은뉴럴네트워크기술로발전해온반면, 뉴로사이언스분야에서는뉴런세포의전기적인신호체계를모사하여생체에서의뉴런동작메커니즘을파악하는데목적을두고발전을해왔다. 초기뉴로사이언스분야에서는뉴런세포간에전달되는전기적인펄스신호 (Spiking) 의시간의차이에의해정 < 그림 4> 뉴로사이언스기술의발전과정 보가전달된다는실험결과에따라스파이킹의시간적정보를모델링을하였으나, 제한적인시간구간에서의다중스파이크의연속적인신호를분석하는것과학습을위한구조가없는한계를가지고있었다. 한편에서는뉴런에서시냅스, 축삭의이온채널을통해전달되는전기적신호 (Action Potential) 의메커니즘이밝혀지면서, 전기적인수동소자를통해신호를그대로모사하고자하는연구들이진행되었다. 대표적으로호지킨-헉슬리 (Hodgkin-Huxley, HH) 모델 [2] 은전기적수동소자로구성된뉴런, 이온채널의모델을통해 Action Potential에의해발생되는스파이킹의신호를가장근사하게모델링하였다. 그러나, 뉴런과각이온채널의변화를표현하는복잡도가높아, 여러개의뉴런간신호전달과정을모사하는데한계를가지고있었다. HH 모델에서시뮬레이션을위해보다다루기쉬운단순화된모델들이 1960년대에발표된다. I&F(Integrateand-fire) 의모델 [3] 의경우이온채널과같은세부모델은생략하고스파이크의발화 (fire) 신호만을수동소자를통해모델링하였다. 생물학적인신호패턴과의유사도는떨어졌으나, 기본정보의전달신호의표현이가능하여 1965년이후 LIF(Leaky-IF) 모델과같이모다단순화하고개선된모델이개발되면서 2010년대 IBM, Qualcomm, Intel에서발표되는뉴로모픽칩의기본뉴런모델로사용되었다. 이밖에도전기적인소자를통한미분방적식이아닌적분식으로표현된 SRM(Spike Response Model) 뉴런모델 [5] 과 2000년대들어연속적인스파이크패턴 (Spiking Train) 을몇개의파라미터로생성가능하도록특화된 Izhikevich 모델 [4] 이제안되어보다대규모의뉴런구조를모사하고시뮬레이션하기위한구조적인연구들이뇌구조의메커니즘연구와더불어진행되었다. 2000년대초를전후하여뉴런간의시냅스를통해정보가전달되고학습되는메커니즘이실험적으로정리되면서, 기존의뉴런모델들이지능형컴퓨팅으로활용될수있는가능성이확인되었다. 56 _ The Magazine of the IEIE 56

67 뉴로모픽컴퓨팅기술 Ⅲ. 뉴로모픽신호처리및학습 생명체의대부분세포는안쪽과바깥쪽사이의전위 (Membrane Potential) 는일정한전압차 (Resting Potential, 70mV) 를유지한다. 그러나, 뇌와근육, 장기를구성하는세포는외부의자극또는환경변화에따라열고닫히는이온펌프 / 채널로불리는수송단백질 (Transport Protein) 을가지고있으며, 이를통해변화하는이온농도에따라세포내부와외부간의전위차가변화하게된다. 전위차가자극에따라이온채널문턱치 (Threshold Potential, -55mV) 를넘는순간인접한이 < 그림 5> 뉴런의구조와활동전위 온채널의연쇄반응을통해전압차가빠르게오르내리는활동전위 (Action potential) 가생성된다 [6]. 뉴런은축삭 (Axon) 을통해인접한다른뉴런세포와연결되는데, 뉴런간의연결은시냅스 (Synapse) 로구성된수상돌기 (Dendrite) 를통해많게는수만개의뉴런과연결이된다. 한뉴런 (Pre-synaptic neuron) 에서생성된활동전위는시냅스를거쳐다른뉴런 (Postsynaptic neuron) 으로전달되는데여러개의뉴런으로부터받은활동전위는축삭둔덕 (Axon hillock) 에서합쳐진다 [7]. 활동전위는크게 EPSP (Excitatory Post- Synaptic Potential) 과 IPSP (Inhibitory Post-Synaptic Potential) 로구분되는데, 생체의경우 90% 의 EPSP와 10% 의 IPSP로구성된활동전위가축삭둔덕에서합쳐져문턱치 (-10mV) 를넘어서는순간축삭의나트륨 (sodium channel) 채널이연쇄적으로모두열리는스파이크가발생하게된다. 생성된활동전위또는스파이크는연결된뉴런으로전달되는과정에서시냅스를통해특성이변화된다. 시냅스는칼슘이온채널을통해시냅스에서생성된신경전달물질 (Neurotransmitter) 을연결된뉴런의시냅스리셉터 (Receptor) 에전달하여활동전위가 EPSP인지 IPSP 인지를결정하고, 그변위폭을결정하게한다. 생체에서의학습은주로시냅스에서생성되는신경전달물질의변화에의해진행된다. 신경전달물질중에도파민 (Dopamine), 아세틸콜린 (Acetyl choline), 노르아드레날린 (noradrenaline) 과같은단백질이학습에관여하는것으로알려져있다. 시냅스에서의학습모델은시냅스의유효성 ( 연결강도 ) 이변화하는현상인신경가소성 (synaptic plasticity) 에대한전기생리학적실험적결과에대한이론적고찰에의해모델링된다 [8]. < 그림 7> 의다이어그램과같은연결구조에서현재까 < 그림 6> 뉴런의스파이크생성 < 그림 7> 시냅틱스파이킹뉴런 57 전자공학회지 _ 57

68 황태호 지알려진시냅스학습관련주요한현상은다음과같다. Short-term plasticity 수십 msec 동안의 presynaptic spike train은시냅스단시간연결강도를강하게한다. Long-term plasticity 수십에서수백초의 presynaptic spike train이 1Hz일경우장시간연결강도감소 (Depression), 50Hz일경우증가 (Potentiation) 한다 Temporal Hubbian s rule (STDP, spike-timing dependent plasticity) 약 10 ms 내에서 presynaptic spike와 post- synaptic spike의 50~60 쌍이반복될경우, 스파이크간시간차에의해연결강도가변화한다. STDP frequencystdp는 Pre-post spike 쌍의빈도가 20Hz이상이어야한다. 위에나열한현상이외에도여러현상들에대한단일한학습과정의모델링을위해 2000년대들어반복되는 pre-synapse의 spike는연결강도를강하게한다는 Hubbian s Rule [9] 에기반하여 STDP 규칙으로전기생리학적실험결과들이하나의이론적모델로만들어졌다. 기본적인 STDP 규칙은두뉴론간의스파이크발생시간차이 ( t) 에의해신호의전달과동시에시냅스의연결강도 ( 가중치 ) 를스스로변화시킬수있는구조를가지고있다. t > 0의경우, 즉 pre-synapse의스파이크가 post-synapse의스파이크보다일찍발생한경우에는 LTP(Long-term potentiation) 으로서시냅스가중치를증가시키며반대의경우 LTD (Long-term digression) 으로가중치를감소시킨다. STDP 규칙에의한가중치의 변화량은 < 그림 8> 의그래프와같으며, t의지수승에반비례하도록정의된다. Ⅳ. 뉴로모픽반도체의구현 뉴로모픽반도체기술의개발은 2000년대중반부터유럽과미국의국가주도 R&D사업을시작으로원천기술확보를위한기술개발사업이시작되었으며, 유럽의경우 Human Brain Project(HBP) [10] 를 EU 6대미래유망기술중하나로선정하여, 10억유로를투자하여 2013년부터 2023년까지 10년간연구를진행중에있으며, 미국역시 2013년부터 BRAIN Initiative 정책 [11] 을수립하고뇌에대한체계적인연구를통해관련원천기술및응용기술개발사업을추진중에있다. 최근까지발표된주요뉴로모픽하드웨어기술을살펴보면 2009년 General Vision에서 NeuroMem 기술을발표하였다. NeuroMem은 KNN(K-nearest Neighbor) 와 RCE(Restricted Coulomb Energy) 와같 < 그림 9> General Vision의 NeuroMem과 Intel의 Quark SE < 그림 8> STDP Rule < 그림 10> IBM 의 TrueNorth 58 _ The Magazine of the IEIE 58

69 뉴로모픽컴퓨팅기술 은 ML(Machine Learning) 의 Classification의대표적인알고리즘에특화된처리구조의하드웨어로직을 near-memory processing 기술인 PIM (Processing in Memory) 어레이로구현한반도체칩이다. 생체신호모방의뉴로모픽기술은아니지만, IoT분야의소형저전력반도체의지능형처리기능을담당하는 IP로서 Intel Curie 모듈의 Quark SE SoC에 3-rd party IP로포함되어 2016년출시되었다. 대표적인뉴로모픽칩으로잘알려진 IBM의 TrueNorth [12] 칩은 2014년 10월 4,096개의뉴로스냅틱코어 ( 코어당 256개의디지털 I&F 뉴런, 뉴런당 256개의시냅스 ) 를갖는 CMOS공정기반의뉴로모픽칩을발표하였다 화소의초당 30프레임동영상에서사람을찾는응용에서 20MHz 클럭에서 63mW 전원을소모하는결과로뉴로모픽칩의가능성을검증한점에서의미가있으나, 새로운컴퓨팅환경 (Non Von- Neumann) 을위한학습및관련생태계의광범위한별도의연구필요하다는점을확인하였다. 특징적으로는많은수의시냅스의신호전달을위한 SRAM기반의시냅스, 크로스바버스구조를통해이벤트드리븐방식의코어별병렬적동작을특징으로 2016년 12월삼성스마트 TV를위한모듈 (Digital Eyes) 에적용하여통해손의동작인식을시연하였다. 비슷한시기인 2014년 Qualcomm사는자사의뉴로모픽칩인 NPU를위한 Zeroth 플랫폼 [13] 을발표하였다. NPU는 IBM과마찬가지로 I&F 모델의뉴런을적용한 SNN(Spiking Neural Network) 의뉴로모픽칩으로 서 STDP기반학습모델을구현함으로써 On-chip, Online 학습하는능력과인간처럼주변환경을인식하는기능을구현하였다. 2016년퀄컴스냅드래곤 820 포함되어 Zeroth 플랫폼을이용하여모형자동차를통해 On- Chip학습을시연하였으며, ZDS (Zeroth Development Studio) 의개발플랫폼에서 High Level Network Description Language를통해뉴로모픽칩을위한새로운프로그래밍모델제시하였다. 또한, Intel은 2017년 9월자체학습이가능한스파이킹기반의뉴로모픽칩인로이히 (Loihi) [14] 테스트칩을발표하였으며, 2018년중반에시연가능한칩을공개할예정이며 2019년상용칩을출시할계획에있다. Intel은 CalTech의 Carver Mead 교수와함께지난 6년간 SNN 기반의뉴로모픽칩을연구하였으며, 범용성을가진온칩학습이가능한칩이면서 MNIST 데이터셋기준 DNN 대비 100만배빠른학습 / 실행성능을증명하였다. 인텔 14nm CMOS 공정을통해개발된테스트칩은 128개의병렬코어를통해 130K개의뉴런과 130M개의시냅스를포함하고있으며, 완전한비동기방식의병렬구조로동작한다. 향후, Intel은 IoT용경량 SoC뿐만아니라, 자동차, 로봇산업용응용에적용될것으로기대하고있다. 유럽에서는 2006년부터뇌모방시뮬레이션을위한컴퓨터인 SpiNNaker (Spiking Neural Network Architecture) [15] 를개발하였다. SpiNNaker는영국맨체스터대학을중심으로개발된대규모병렬, 뉴로모픽슈퍼컴퓨터이다. 실제스파이크신경망을실시간으로모델링하도록설계되었는데 16개의 ARM9 CPU 어레이로구성된코어는 518,400 프로세서로확장될수있는구조를통해 10 억개의뉴런 ( 인간뇌의 850 억뉴런중 1 %) 을시뮬레이션하도록개발되었다. 130nm 공정으로구 < 그림 11> Qualcomm 의 NPU < 그림 12> Intel 의 Loihi 59 전자공학회지 _ 59

70 황태호 현된프로세서에는인접라우터와의연결을위한온-보드라우터와시냅스가중치를위한 128MB 메모리로구성된다. 최근 SpiNNaker2에서는보다다양한알고리즘과학습모델을시뮬레이션하기위해기존시스템을소형모듈화시키는시켜스케일을확장하려는목표로 2023년까지진행할예정이다. BrainScaleS (Brain-inspired multiscale computation in neuromorphic hybrid systems) [16] 는 EU FET-Proactive FP7에서지원하는연구개발프로젝트로서뉴런과시냅스, 가소성모델을에뮬레이션하는컴퓨팅시스템을개발하는목표를가지고 2011년에서 2015년까지진행하였고, 현재는유럽의 HBP 프로젝트의일환으로진행중에있다. 시스템은특징적으로아날로그뉴런, 시냅스회로와폰노이만디지털컴퓨팅 (peta flops급의슈퍼컴퓨터 ) 시스템이혼합된 HMF(Hybrid Multi-scale Computing Facility) 구조에서실제신경 < 그림 13> 멘체스터대학의 SpiNNaker 물리학적인모델에서의신호들과거시적기능단위의감각, 의사결정의가상환경이결합되어인간뇌의생물학적메커니즘에대한연구에적용될목적으로개발되었다. 현재는 BrainScaleS-2 시스템을위해 384개의뉴런과 98,304개의시냅스를갖는아날로그디지털회로가혼합된 HICANN-DLS 칩을개발하여 BrainScaleS-2의에뮬레이션규모를크게확장할계회이다. 앞서나열한개발사례를중심으로뉴로모픽신호처리기반의예상가능한지능형반도체 SoC 칩의일반적인구조는 < 그림 15> 와같다. 시냅틱가소성기반의학습이가능한생물학적인스파이킹뉴럴셀의구조를분석하고모델링하여성능을확보하고, 이를아날로그회로또는디지털로직으로설계하여복잡도를낮추는작업이진행된다. 아날로그회로로뉴런구조를설계하였을경우는다양한스파이크신호패턴이회로에서직접처리가가능하며, 문턱치전압에서의저전력동작, 단일트렌지스터당높은계산량, 하나의와이어로많은비트표현이가능하며, 면적당소모전력이낮은장점을갖기때문에멀티모달센서와같은정형데이터를처리하는엣지컴퓨팅용장치에적합하다할수있다. 반면에시냅틱가소성기반의학습모델을적용하기어려운단점이있어새로운소자기술과같은해결해야할문제점을가지고있다. 한편, 디지털로직으로뉴럴셀구조를모델링했을경우, 모델링이유연하고노이즈및오프셋에둔감하여구현이용이하며, 다양한신호처리관련외부 IP와의연동및가소성기반의학습알고리즘적용이쉬운장점이있어영상및음성과같은비정형데이터를처리하는보다높은성능의지능형반도체에적용이적당하다할수있다. 반면에생체신호와의유사도는떨어지는측면이있어 < 그림 14> 유럽 HBP 의 BrainScaleS < 그림 15> 뉴로모픽칩의예상구조 60 _ The Magazine of the IEIE 60

71 뉴로모픽컴퓨팅기술 아날로그, 디지털의하이브리드형태의접근방법을고려해볼수있다. 설계한뉴런셀모델은스파이킹뉴럴네트워크를위한구조로설계되어야한다. 이과정에서뉴런에개수와레이어수에따라크게증가하는시냅스의구조가중요한기술적문제로여겨진다. 가령 100의뉴런으로구성된두레이어가 Full-Connection 방식으로연결되면 10,000개의시냅스가구조적으로만들어지고빠른속도로엑세스가되어야한다. 이를위해 3D적층구조의 near-memory processing 기술과시냅틱가소성기반의학습과정에서시냅스최적화기술과같은접근방법이필요할것이다. 최적화되고성능이검증된스파이킹뉴럴네트워크엔진은신호의입력을위한스파이크생성기과결과를출력하기위한스파이크인터프리터의기능이필요하다. 스파이크생성기는입력되는신호를 Poisson Distribution과같은확률기반또는입력신호에최적화된스파이크패턴을생성하는기능을담당하며, 스파이크해석기는지도학습또는비지도학습으로학습된스파이크패턴의결과를해석하기위한기능으로서, 시냅틱가소성기반의학습알고리즘과함께구현되어야한다. 또한, 기존 CNN, RNN에서적용되었던것과같이뉴로모픽네트워크엔진이적용될응용에따라입력데이터의전처리, 특징추출및학습된네트워크를관리하는피처링콘트롤러의기능이필요하며, 다양한분야에적용을위한스파이킹뉴럴프로세서와호스트간의이기종컴퓨팅이가능한인터페이스역할역시담당하여야한다. 뉴로모픽신호처리기술의가장큰특징인 On-chip에서학습과동작이병행되는 On-line학습이가능한뉴로모픽전용의높은정확도의네트워크와학습모델이향후기술적으로확보해야할가장중요한기술이라고할수있다. Ⅴ. 결론 1장에서는미래예상되는인공지능서비스의구조를설명하고필요한인공지능반도체의기능에따른분류를 설명하였다. 2장에서는인공지능컴퓨팅기술의발전과정에서향후뉴로모픽컴퓨팅필요성을설명하였고, 뉴로사이언스분야에서부터발전해온뉴로모픽컴퓨팅의주요한발전과정을살펴보았다. 3장에서는뉴로모픽컴퓨팅에서핵심이되는주요한생체신호의발생과메커니즘, 학습의과정을설명하고 4장에서는뉴로모픽반도체의구현측면에서현재까지진행되어온주요개발사례를통해뉴로모픽칩의주요한구조를살펴보았다. 2장에서살펴본뉴럴네트워크컴퓨팅기술의세대별구분에서 2세대 SW 모델기반컴퓨팅기술은향후인공지능클라우드서버로서대용량대규모인공지능기술로지속적으로발전해나아갈것으로예상된다. 한편, 3세대로구분한뉴로모픽컴퓨팅기술은현재의모바일및 IoT 용장치에적용되어지능화기능을담당할것으로예상된다. 지능형응용서비스의생태계속에서점차사용자의편의를도모할뿐만아니라인공지능서버와연계하여인간이풀기힘든문제들까지해결함으로써인간의능력을향상할수있을것으로예상된다. 뉴로모픽반도체기술은기능과성능상에서현재의정체되어있는반도체기술을새롭게발전시킬수있는기술중에하나로여겨진다. 현재까지발표된연구결과들에서필기인식의응용을기준으로 CNN의시스템은 99% 이상의높은정확도를보이는반면뉴로모픽모델에서는 90~95% 정도의정확도의성능을보이고있다. 그러나, Von-Neumann 컴퓨팅구조에서필연적으로발생할수밖에없는메모리성능문제, 비효율적인전원소모문제, 지능화시스템의소형화구현의한계등과같은기술적장벽에있어서뉴로모픽반도체기술의현재까지연구결과들은상당히발전가능성이높은희망적인결과들을보여주고있다. 뉴런, 시냅스의네트워크모델뿐만아니라학습관련한방법론역시현재많은연구들이진행되는상황이며, 이러한연구들은뇌의특성에대한기본적인연구와병행하여진행되고있다. 향후, 국내에서도뇌의지능적탐구와이를모사하는뉴로모픽컴퓨팅기술에대한연구에많은참여와관심그리고지원이확대되기를희망한다. 61 전자공학회지 _ 61

72 황태호 참고문헌 [1] W. Maass. Networks of spiking neurons: The third generation of neural network models. Neural Networks, 10: , [2] H el`ene Paugam-Moisy and Sander Bohte, Computing with Spiking Neuron Networks, Springer, 2012 [3] Feng J. Neural Net. 14: , 2001 [4] Eugene M. Izhikevich, Which Model to Use for Cortical Spiking Neurons?, IEEE Transaction on neural networks, 2004 [5] Gerstner, W., and J.L. van Hemmen, Associative Memory in a Network of `Spiking' Neurons. Network 3, [6] Purves D, Augustine GJ, Fitzpatrick D, et al., editors. Neuroscience. 2nd edition., Voltage-Gated Ion Channels, Sunderland (MA): Sinauer Associates; [7] Signal Transduction Mechanisms: I. Electrical Signals in Nerve Cells, brian/biol2060/ BIOL /CB13.html [8] Abigail Morrison, Markus Diesmann, Wulfram Gerstner Phenomenological models of synaptic plasticity based on spike timing Biol Cybern Published online 2008 [9] Paulsen, O., Sejnowski, T. J. Natural patterns of activity and long-term synaptic plasticity, Current Opinion in Neurobiology, 2000 [10] Human Brain Project, [11] Brain Initiative, [12] IBM Research, [13] Qualcomm NPU, snapdragon-neural-processing-engine [14] Intel Loihi, [15] SpiNNaker brain simulation machine, artificialbrains.com/spinnaker [16] BrainScaleS, 황태호 1998 년 2 월한국외국어대학교컴퓨터공학과학사 2000 년 2 월한국외국어대학교컴퓨터공학과석사 2013 년 2 월한국외국어대학교컴퓨터공학과박사 2000 년 2 월 ~ 현재전자부품연구원 SoC 플랫폼연구터책임연구원 < 관심분야 > 실시간운영체제, 이기종컴퓨팅, 뉴로모픽컴퓨팅 62 _ The Magazine of the IEIE 62

73 특집 인공지능반도체 NM500 인공지능반도체 NM500 Ⅰ. 서론 누구나신호등이적색일때정지해야하고, 녹색일때는주행해도된다고명확히알고있다. 그러나황색일때는어떻게해야할까? 정지할것인가, 주행할것인가를여러가지상황을고려하여결정해야될때가있다. 이러한관점에서인공지능은사람이어떤결정을내려야할때주관적인판단보다는주어진여러상황증거를바탕으로사람이보다빠르고정확하고올바른판단을하도록도와주기위한도구로서개발이되어왔다. 인공지능에서정보 ( 증거 ) 를학습하고학습된내용을기반으로판단을내리는요소를머신러닝 (Machine Learning) 이라고하는데, 올바르고정확한판단을위한머신러닝알고리즘은수없이많이존재한다. < 그림 1> 최근화두는딥뉴럴네트워크 (Deep Neural Network:DNN) 를학습시키는소프트웨어기반딥러닝 (Deep Learning) 방식이각광받고있지만, 이를구현하기위해서는많은 Data, 뛰어난컴퓨팅능력이동반되어야하며, 이는잘알려져있는사실이다. 많은전문가들이이러한소프트웨어기반딥러닝의문제를언급하고있으며, 이문제 최기원 nepes 퓨쳐인델리젼스사업부 63 전자공학회지 _ 63

74 최기원 < 그림 1> 인공지능과머신러닝관계점을개선하고보다나은성능을구현하기위해최근많이연구되고있는것이지능형반도체의일종인뉴로모픽 (Neuromorphic) 칩이다. 본지면에서는이미다른여러지면에서많이다루어진뉴로모픽칩기술이나딥러닝가속기로활용되는지능형반도체기술에대한언급보다는, 당사의뉴로모픽칩인 NM500에대한소개를중심으로하고자한다. 고정의된것으로 사람의신경망에서영감을받아만들어진형태 라는의미이며, 이미오래전부터국내외여러기업및연구기관에서연구되어온기술이다. 이미한국에서도유수의연구기관등에서시제품을발표하였다. 그리고 2017년 4월국내유수의기업, 연구기관및대학이공동으로인간의뇌에필적한전력소모를목표로한신개념의뉴로모픽칩개발을시작한다는기사도있을만큼, 인공지능생태계에서뉴로모픽칩으로대변되는지능형반도체에대한연구및시장이활성화되고있다.(< 그림 3>) 사람의뇌와소프트웨어기반인공지능의차이를간단히살펴보면 < 그림 4> 와같다. < 그림 4> 의위쪽은사람의뇌의뉴론과이뉴론들이상호복잡하게병렬로연결되어있는신경망 (Neural Network) 을보여주며, 아래부분은뉴론을수학적모델로구성한퍼셉트론 (Perceptron) 과이퍼셉트론이병렬로복잡하게다수의층 (Layer) 으로구성되어진멀티레이어퍼셉트론 (MLP; Multi Layer Ⅱ. 뉴로모픽칩 기존소프트웨어로코딩된인공지능알고리즘이폰노이만 (Von-Neumann) 구조의고성능컴퓨터시스템에서시뮬레이션되어작동하는것에반해, 뉴로모픽칩은반도체칩자체에서인공지능알고리즘이프로세싱로직 (Processing Logic) 부분과메모리 (Memory) 로일체화되어있는것을의미한다. 이개념은 < 그림 2> 에서보이는바와같이 1980년후반칼텍 (Caltech : California Institute of Technology) 의카버미드 (Carver Mead) 교수팀에의해서연구되어지 < 그림 3> 2017 년 4 월한국경제신문 < 그림 2> 칼텍카버미드교수의뉴로모픽정의 < 그림 4> 뉴로모픽칩과소프트웨어인공지능 64 _ The Magazine of the IEIE 64

75 인공지능반도체 NM500 Perceptron) 구조이다. 이구조가현재의소프트웨어인공지능으로대변되는딥러닝의기본모체가되는구조이다. 이 MLP구조를기반으로문제점을보완하여토론토대학 (University of Toronto) 의제프리힌튼 (Geoffrey Hinton) 교수연구팀이슈퍼컴퓨터를이용한딥러닝을구현하였다. 이를활용해획기적인이미지인식에성공하면서딥러닝연구의급속한발전이이루어졌고, 이후힌튼교수의제자들이중심이된구글딥마인드 (Google DeepMind) 에서알파고 (AlphaGo) 를개발하였다. 뉴로모픽칩은 < 그림 4> 에서볼수있듯이사람의뉴론이연결된신경망과같이하드웨어인반도체회로소자를이용하여뉴론들이병렬로연결이되도록구성되어있어, 반도체칩자체가패턴 (Pattern) 을학습하고인지할수있게되어 d있다. 따라서뉴로모픽칩은매우낮은전력과컴퓨팅파워로도충분히독립적으로패턴을학습하고판단할수있는데반해, 소프트웨어인공지능은컴퓨터의도움을받아서시뮬레이션하는것과같이학습을하기때문에알파고와같이슈퍼컴퓨터급의자원이필요하게된다. 그러므로일반유저및기업에서딥러닝을이용하여무엇인가를개발하고활용하기위해서는고속의네트워크를통해 Cloud 기반으로개발된소프트웨어인공지능 Platform을이용해야된다. 예를들어 < 그림 5> 와같이아파트에서누군가를찾는다고할때소프트웨어기반인공지능방식은 1층 1호에서부터순차적으로모든층의각방을확인하여찾는방식이다. 이는기존소프트웨어인공지능에서수행하는프로세서 ( 전용프로세서포함 ; Multi-Core Processor) 는순차적계산방식인폰노이만방식의컴퓨터구조를기반으로하기때문이다. 처리해야되는정보의양이늘어날 수록연산속도를빠르게하기위해서는고성능프로세서 (CPU,GPU), 고성능대용량메모리 (HBM, HMC) 등이필요하고, 이들또한지속적인성능향상을요구받고있다. 그러나뉴로모픽칩은반도체칩자체에학습하고판단하는기능이모두병렬로일체화되어있기때문에 < 그림 5> 왼쪽에서보듯이찾고자하는사람을한번에외부에서소리쳐불러서찾는방식이라고생각할수있다. Ⅱ. NM500(NeuroMem500) 당사에서전세계에독점제조판매하고있는 NM500 은반도체칩자체에학습과판단 ( 인지 ) 기능을모두포함하고있다. < 그림 6> 은실제 nepes의 NM500 구조를나타내고있다. < 그림 6> 의좌상단은 NM500의 Layout이며검은색으로표시되는부분이 1개의뉴론이다. 이뉴론은메모리와프로세싱로직이한개의 Cell로구성되어있다. 1개의반도체칩에뉴론 Cell이 576개가모두병렬로연결되어있으며, 뉴론개수가증가하더라도반도체의 I/O수는증가 < 그림 6> NM500 Structure < 그림 5> Computing Architecture 비교 < 그림 7> NM500 Package - 64WLP 65 전자공학회지 _ 65

76 최기원 하지않도록설계되어있다. NM500은 RBF(Radial Basis Function) 신경망구조를차용하였으며, 3개의 Layer로구성되어있다. 즉, Input/ Hidden/Output Layer로구성되어진전형적인 RBF 신경망구조이다. < 그림 7> 의 RBF 신경망은 90년대에알려진신경망으로, 최근에도 DNN의 Classifier로많이사용및연구되고있는구조이며, MLP에비해서적은량의 DATA로도빠르고, 정확한결과를보이고있다 [1]. RBF신경망은훈련된값과새로입력되는값사이의유사성을측정하여분류를수행한다. 각뉴론은훈련세트 (Training Set) 의예제중하나인 프로토타입 (Prototype) 을저장한다. 새로운입력을분류하기위해각뉴론은입력과프로토타입사이의거리 (Distance) 를계산하는데, 입력이클래스 B 프로토타입보다클래스 A 프로토타입과더유사하면클래스 A로분류되는방식이다 [2]. 현재 NM500의뉴론은 RBF 뉴론과동일한역할을하며, 이뉴론에는최대 256Bytes의학습정보 ( 프로토타입 ) 를담을수있도록설계되어있다. 학습과정에서, 입력된훈련세트의예제와기저장된프로토타입간의유사성은 AIF(Active Influence Field) 라고하는뉴론활성화영역을통해비교되며, 이를기반으로입력된예제 Vector가새로운뉴론에학습할것인가, 아니면버릴것인가를결정한다. 즉, 동일한카테고리에새로운입력되는 Vector 값이이미학습된뉴론의 AIF값에의해서인식되는범위내에있다면자동으로새로운 Vector는버리게된다. 반대의경우, 새로운뉴론에입력된 Vector를학습시킨다. 분류 (Classification) 또는인식 (Recognition) 과정에서출력카테고리 (Category=Label 또는 Name) 의스코어 는모든 RBF 뉴론의활성화값의가중합계를취하여계산되는데. 즉, 값을가장유사한뉴론의카테고리를알려주고, 만약학습된뉴론과비슷한것이없다면 Unknown 이라고알려주는방식이다. 유사성비교기능에는여러가지가능한선택이있지만가장인기있는 Gaussian 함수를기반으로하고있다. < 그림 9> 는 NM500이실제로학습하는과정을보여주고있다. 학습모드에서는준비된입력 Vector(256 Bytes, 16 16) 를모든뉴론에 Broadcasting 하면입력 Vector에대하여기존에학습된뉴론이있는지검사를하게된다. 유사성을비교하여학습된뉴론이있다면학습하지않고, 학습된뉴론이없다면새로운뉴론에 Cat 이라는새로운카테고리 Vector 즉, Cat 이라는새로운정보 (Prototype) 가학습이된다. 이런방식으로순차적으로모든뉴론에다양한프로토타입과카테고리에대한학습을진행하게된다. < 그림 9> NM500 학습 Flow < 그림 8> RBF 신경망 < 그림 10> NM500 인지 Flow 66 _ The Magazine of the IEIE 66

77 인공지능반도체 NM500 < 그림 10> 의인식모드에서는학습모드와동일하게준비된 Vector를입력하면, 전체뉴론에동시에새로입력한정보가전달된다. 각뉴론은기학습되어진정보 ( 프로토타입 ) 와비교 / 판단하여동일하거나가장유사한것에대해서판단하고그결과를보여준다. 이 2가지의수행은서로다른칩에서수행되는것이아니라하나의로직에서카테고리를입력히면 학습모드, 카테고리를입력하지않으면 인식모드 로자동으로동작하도록되어있다. 학습과인식이하나의칩내에서이루어지는특징외에특기할만한특징으로는이미학습된정보외는다른새로운카테고리가발생하거나다른성격의정보를 NM500 의뉴론에추가로학습시킬수도있다는것이다. 예를들어 < 그림 11> 에서처럼한개의 NM500칩을여러개의논리적영역 (Context) 으로구분하여노란색영역에는이미지정보 (Context #1) 즉, 여러개의이미지카테고리와 DATA를학습하고초록색영역에는소리정보 (Context #2) 에대한카테고리및 DATA를학습시킬수있다. 이후추가되는이미지 / 소리외의카테고리및 DATA도영역 (Context) 을추가하여동일한방식으로학습시킬수있다. 즉, 기존의학습된 DATA를포함하는네트워크전체를다시학습시키지않고도새로운유형의 DATA를추가학습시킬수있고, 동일유형의 DATA 또는동일카테고리의새로운 DATA도추가로학습시킬수있다는장점이있다. 이렇게복수의유형의 DATA는응용단에서 < 그림 12> 와같이다양한형태로설계하여사용할수있다. 이는기 존의딥러닝에서처음설정한카테고리외의추가상황이발생하면기존의것을포함하여전체를학습시켜야하는점에비하면큰장점이며, 필요없는정보에대해서는선택적으로뉴론에저장된값을지운후정보를재배열할수도있다. 실제로본기술을응용하여비교적적은수의얼굴영상으로이루어진학습세트를이용해 96% 인식률을나타낸결과가있으며, 뿐만아니라얼굴과사람의음성패턴 Data를조합하여최대 100% 까지인식을성공한예도있다 [3-4]. 앞서언급했듯이 NM500의병렬구조는 I/O를늘리지 < 그림 12> 서로다른 Context를조합하여활용하는예 < 그림 11> Multi Context 학습 < 그림 13> NM500 확장성과일정한인식속도 67 전자공학회지 _ 67

78 최기원 < 그림 14> NM500 응용 Data 및응용처 < 그림 15> NM500 Work Flow 않고도뉴론의수를확장할수있는구조이다. NM500옆에바로하나를더하면뉴론수가 2배로쉽게늘어난다. < 그림 13> 에서볼수있듯이, 마치메모리 Slot에메모리를꽂아서용량을증가시키듯 NM500도 Socket에꽂기만하면뉴론의수를확장할수가있다. (NM500 2개가실장된 Neurobrick이라는제품도시판중임 ) 여기서특기할만한특징은학습된 Data가아무리증가하더라도증가된뉴론의모두병렬네트워크로연결되기때문에인식할때시간은한개의뉴론일때나 100만개의뉴론일때나거의일정하다는것이특징이다. NM500으로응용할수있는영역은 < 그림 14> 와같이 image이미지에서부터패턴으로구분할수있는 Data라면무엇이든가능하다. NM500에학습한후이학습된 Data를이용하여다양한응용처에쉽게활용할수있다. Ⅲ. NM500 활용 이미뉴럴네트워크에대한알고리즘이반도체칩에로직케이트 (Logic Gate) 와메모리로구현되어있기때문에별도의뉴럴네트워크에대한깊은지식없이도조금만공부하면누구나쉽게사용할수있다. 실예로모대학의자동차학과학생들이국내자동차회사에서개최한경진대회에서당사의 NM500 응용보드와오픈소스하드웨어인아두이노 (Arduino) 로자동차를만들어참가하여 40개팀중결선 8팀에선정이되었다. 이학생들은인공지능은물론소프트웨어에대한지식이부족했지만, NM500 에대해반나절정도배운후하드웨어를구성하여현장 < 그림 16> Knowledge Studio 에서직접정보를학습시키고인식하는미션을수행했을정도로쉽게응용할수있었다. < 그림 15> 는실제응용시적용할수있는 Flow이다. 즉, 다양한센서와 NM500이장착된응용보드를연결을하고, 당사에서제공하는 SDK(Software Development Kit) 나 Knowledge Studio(Knowledge개발 Tool) 을이용하여뉴론을훈련시킬수있다. 이훈련된 Knowledge 는로컬 (Local) PC에저장하여관리하거나, 다른곳에 Knowledge를전달할수도있다. < 그림 16> 는당사가개발한 Knowledge Studio라는 Platform이다. 현재는이미지학습및신호 (Signal) 에대한학습기능도포함한다. 이 Knowledge Studio는인공지능에서제일중요한 Knowledge Model을개발하는 Tool이면서, NM500의기능을관리하는 Core 기술이포함되어있다. 최적의학습기준설정과학습결과에대한확인, 그리고각뉴론별로학습된상태를확인및검증할수있는특장을가지고있다. 이는기존딥러닝은결과만을확인할수있 68 _ The Magazine of the IEIE 68

79 인공지능반도체 NM500 고학습되어진중간과정에대해서는알수없는데반해, Knowledge Studio는결과에대해서왜차이가나는지, 왜잘되었는지에대해각학습된결과를분석할수있고, 또한분석을통해서잘못된뉴론정보는삭제하고새로학습시킬수있게도할수있음을말한다. 또한주요한특징으로는 NM500의뉴럴네트워크를관리함으로써, 학습하고자하는 DATA 유형에따라서 NM500 뉴럴네트워크의학습단계에서최적의조건으로학습할수있도록쉽게조정이가능하다는것도있다. 또한당사가제공하는 SDK를통해서 User가원하는형태의다양한방식으로활용할수있다. 앞서언급한뉴론의무한확장성과 User환경에따른매우쉽고, Flexible한응용을위해, 그리고현장에서실시간서학습을할수있도록현재의 NM500을구조를채용했다. 또한 NM500은 Supervised Learning 및 Unsupervised Learning을모두지원하고있다. 게다가 On-chip상태에서독립적으로학습과인지가가능하기때문에네트워크 (Cloud) 를통한학습이필요없고, 기업이나개인의비밀유지에도유용한점이있다. 또한 NM500에 DNN의일종인 CNN(Convolutional Neural Network) 구조를결합하여학습과인지를확인한바가있어 CNN 구조와연계에대한연구도계속하고있다. 동영상에서는실제뉴론내에각모션에대한학습된정보를확인할수있고, 또한이정보를 SD Card로복사하여전달하는것도볼수있다. 이는 2017년 9월나노코리아대전에초청되어여러관람객이직접자신의모션을학습시키고동작시키는 Demo를진행한적이있다. < 그림 19> 는 Youtube에공개된동영상으로우리가매일이용하는엘리베이터에서일어날수상황이다. 엘리베이터문이닫히는순간반려견이엘리베이터바깥으로나와버려서, 엘리베이터밖에있는반려견이엘리베이터에끌려올라가는동영상인데, 만약주변에사람이없었다면반려견또는견주는무사하지못했을것이다. 현재의엘리베이터를포함한자동문은일정한압력에의해서이물질을감지하도록설계되어있는데, 옷이나가방끈처럼얇거나소프트한것은감지하지못하는경우가있다. 이러한부분을 NM500과당사가제공하는 Knowledge Studio 및간단한학습을통해해결이가능 < 그림 17> Gesture Recognition 하드웨어및학습예 Ⅳ. NM500 응용예 앞에서 NM500은다양한패턴으로추출할수있는다양한 DATA를학습시켜서바로현장에서사용할수있다고설명하였다. < 그림 17> 과 < 그림 18> 은간단히 8 Bit MCU기반의오픈소스하드웨어인 Orange Board( 한국형아두이노보드 ) 를이용하여간단한 Gesture를이용해자동차를동작시키는응용예이다.( 동영상확인 : be/knu-2b6rw6c) 본동영상은 NM500이저렴하고간단한하드웨어구성으로, 자이로센서를통한 Gesture를 Programing없이 NM500에학습시켜서 RC Car를조종하는것을보여준다. < 그림 18> Gesture Recognition 으로자동차제어예 < 그림 19> 엘리베이터안전사고동영상 _Youtube 69 전자공학회지 _ 69

80 최기원 하다. < 그림 20> 및 < 그림 21> 과다음동영상은그해결방안을보여준다. USB Camera와 NM500을연결하고 Knowledge Studio를통해간단히 Setting한다. 그후 < 그림 20> 과같이아무런이물질이없는깨끗한상태로문이닫혔을때를학습시키고, 인지시 Identify, 학습된결과와다르면모두 Unknown 이되도록설정하였다. ( 동영상 : 한번의학습으로문에옷이나사원줄이끼었을때를인식한결과, 모두정확히 Unknown 으로인식함을확인수있었다. 별도의소프트웨어 Programming이나장치없이 Firmware Level에서 Identify, Unknown 시의결과를받아자동문의동작을제어하면스마트도어가완성될수있다. 이방법을응용하여 안전문 에대한개발을추진하고있는고객도있다. 이외아래의동영상은당사의 Demo Board (Meuroshield), Knowledge Studio와 Library를이용하여제작한것의일부로여러응용분야의실시예로적용될수있으며, 일부업체에서상용화제품을개발하고있는부분것도있다. 얼굴표정인식 ) 머신비젼 ) 히라가나인식 ) 얼굴인식 ) 도어락 ) 스마트RC카 ) 또한해외모업체에서는 < 그림 22> 와같이 NM500을 < 그림 20> Close: Identify, Open 및다른상태 : Unknown < 그림 21> 옷 / 사원줄끼어있는상태인지 : Unknown < 그림 22> NMT사 Neurotile 기반으로소형 IoT형모듈을개발하여현재프로모션중이며, 많은업체로부터관심을받고있는것으로파악되고있다. Ⅴ. 맺음말 이상과같이당사의 NM500을기준으로인공지능반도체인뉴로모픽칩과활용에대해서설명하였다. 물론소프트웨어기반의딥러닝은매우유용하고좋은인공지능 Solution이지만, 많은컴퓨터리소스를필요로하므로산업전반에걸쳐서적용하기에는비용도많이들고현업에적용하기에는난이도가높은편이다. 많은전문가들은 4 차산업혁명으로촉발된기술의발전은종전의혁명과비교되지않을정도로빠르고범위가넓을것이라고한다. 왜냐하면 4차산업혁명의본질자체가 융합과연결 즉, 어느분야에특정되지않고끊임없이새로운가치를창출해내는것이기때문이다. 그러나일부 Global 대기업중심의딥러닝을통한 Cloud기반의인공지능서비스는있지만, 많은 IoT기업이독자적으로인공지능을이용하는 4차산업혁명의본질은산업현장에적용하기어려운현실이다. 현대사회에널리퍼져있는수많은 IoT 디바이스및센서들은당사의인공지능칩과결합이가능하며, 누구나쉽게독립적인지능형제품을구현할수있다. 한국은전통적으로메모리를기반으로한반도체제조산업에주도권을가지고있다. 향후이주도권을유지하고중소 / 중견업체를포함해산업전반에걸쳐 4차산업혁명으로신속한전환을할수있는뉴로모픽인공지능반도체분야에많은관심과투 70 _ The Magazine of the IEIE 70

81 인공지능반도체 NM500 자를한다면, 지식산업화를통한기업들의성장과새로운일자리확대로이어질수있다고당사의경영진은생각하고있다. 참고문헌 [1] Benjamin J. Meyer, Ben Harwood, Tom Drummond NEAREST NEIGHBOUR RADIAL BASIS FUNCTION SOLVERS FOR DEEP NEURAL NETWORK 29 Oct 2017 [2] [3] Santu Sardar & K. Ananda Babu Hardware Implementation of Real-Time, High Performance, RCE-NN based Face Recognition System 13th International Conference on Embedded Systems 2014 [4] Manan Suri, et al. Neuromorphic Hardware Accelerated Adaptive Authentication System IEEE 2015 [5] NM500 Hardware Manual & euromem Technology Reference Guide 최기원 1989 년 2 월경북대학교공과대학금속공학과졸업 1989 년 2 월 ~2016 년 3 월삼성전자 DS 총괄수석연구원 2016 년 7 월 ~2016 년 9 월주 ) 네패스부품연구소소장 2016 년 10 월 ~ 현재주 ) 네패스 FI 사업부 H/W 팀팀장 < 관심분야 > 뉴로모픽및이를적용한 Edge Computing 분야, 3D Stacked Packaging, SiP Module 71 전자공학회지 _ 71

82 The Institute of Electronics and Information Engineers 전자공학회논문지제 55 권 1 호발행 논문지논문목차 통신분야 [ 통신 ] 가상 TOA, AOA 및 TDOA 를이용한우주발사체 3 차원위치추정기법권순호, 김대오, 문상미, 이지혜, 배사라, 김한종, 임영석, 김대진, 김철성, 황인태 LTE-V2V 통신시스템을위한차량속도기반채널추정알고리즘설계및성능분석문상미, 이지혜, 배사라, 권순호, 김한종, 김대진, 황인태 위성통신을위한 4D-8PSK-TCM 시스템설계와성능평가안창영, 유상범, 이상규, 유흥균 심층신경망을이용한영상전송프로토콜에서의새로운파라미터결정방법이종만 반도체분야 [RF 직접회로기술 ] 4 채널 36 Gb/s 27-1 초고속의사이진수열 (PRBS) 발생기의집적화설계남효현, 박준식, 송규하, 박정동 [ 인공지능, 신경상및퍼지시스템 ] 이진화된컨벌루션신경망의효율적인 SIMD 구현김성찬, 신지훈, 박용민, 김태환 벡터콘텐츠인증위한곡률기반벡터모델해싱기술이석환, 권기룡 컴퓨터분야 72 _ The Magazine of the IEIE 72

83 논문지논문목차 [ 영상신호처리 ] 실제얼굴나이인식과보이는얼굴나이인식의비교연구노동현, 최성은, 김재희 저선량 X 선영상의에지향상알고리즘이민석, 강문기 단일 RGB+NIR 센서다중분광필터배열을위한융합알고리즘지승훈, 강문기 신호처리분야 [ 음향및신호처리 ] 과도거리이주보상을위한두단계자동초점기법을적용한역투영알고리즘연구황정훈, 김환우 [ 제어계측 ] NFC 기술을이용한계량기봉인장치및관리시스템구현박덕우, 김규식 센서최적화를이용한자동제상시스템설계김형수, 승지훈, 유성구, 정길도 시스템및제어분야 [ 의용전자및생체공학 ] 다이몬드표면에서자성나노입자와 GMR 센서를이용한 DNA 검출김민혜, 김대훈, 송광섭 산업전자분야 [ 컴퓨터응용 ] 디지털 X- 선영상시스템기반촬영조건변화에따른노이즈특성및 2 개의필터조합을이용한개선효과연구유원종, 강성현, 이용구, 이영진 73 전자공학회지 _ 73

84 박사학위논문초록 김창순 Chang-Soon Kim 학위논문제목 국문 : 무선통신시스템을위한초광대역마이크로스트립대역차단여파기설계 영문 : Ultra-Wideband Microstrip Bandstop Filters Design for Wireless Communication Systems 학위취득광운대학교취득년월 2017 년 12 월 지도교수 KEY WORD 손광철 Bandstop filter, Open Stub, Ultra-wideband, Bandwidth Inter-digital capacitor, Frequency selective coupling structure < 논문요약 > 최근 IT 산업이고도화됨에따라, 무선통신기술이비약적으로발전하였다. 특히모바일디바이스사용이확대됨에따라, 광대역무선통신이요구된다. 그러나광대역특성상전파방해및간섭문제가발생한다. 따라서대역저지, 대역통과, 저역통과여파기들이제시되고있으며, 본연구에서는광대역불필요주파수제거를위한초고주파용광대역저지여파기구현에목적을둔다. 본논문에서는계단임피던스공진여파기, 대칭상호작용커패시터여파기, 주파수선택결합여파기, 대칭주파수선택결합여파기 4종류의초광대역대역저지여파기를구현하고, 성능평가를하였다. 제안된여파기는임피던스변환기구조와마이크로스트립선로를이용하고, 계단임피던스공진기구조및상호작용커패시터구조와주파수선택결합구조를사용한다. 마이크로스트립선로기판은유전율 2.54, 유전체손실율 0.002, 두께 0.54 mm인테프론을사용하였다. 제작된 4종류의초광대역대역저지여파기의측정결과는다음과같다. 첫번째, 계단임피던스공진기와개방형스터브구조를이용한개방형스터브여파기를구현하였다. 측정결과는중심주파수 6.5 GHz에서대역폭 5.45 GHz를나타내며, 전송계수 (S 21 ) 와반사계수 (S 11 ) 는각각 db와 db를나타낸다. 두번째, 계단임피던스공진기와상호작용커패시터구조를이용한대칭상호작용커패시터여파기이다. 측정결과는중심주파수 6.43 GHz에서대역폭 4.67 GHz를나타내며, 전송계수 (S 21 ) 와반사계수 (S 11 ) 는각 db와 0.53 db를나타낸다. 세번째, 상호작용커패시터와주파수선택결합구조를이용한주파수선택결합구조여파기이다. 측정결과는중심주파수가 6.53 GHz에서대역폭 4.23 GHz를나타내고, 전송계수 (S 21 ) 와반사계수 (S 11 ) 는각 db와 0.37 db를나타낸다. 마지막으로, 상호작용커패시터구조와주파수선택결합구조를이용한대칭주파수선택결합구조여파기이다. 측정결과는중심주파수 6.42 GHz에서대역폭 4.72 GHz를나타내고, 전송계수 (S 21 ) 와반사계수는 (S 11 ) 는각 42 db와 0.47 db를나타낸다. 본여파기는기존여파기와비교결과최소형이며, 저지대역폭및전송계수 (S 21 ), 반사계수 (S 11 ) 는관련논문과비교하여약 30% 성능향상을보였다. 이는 C-대역 (4 GHz 8 GHz) 의무선통신시스템과 EMI 저지장치등에사용될것으로기대된다. 74 _ The Magazine of the IEIE 74

85 The Magazine of the IEIE 국 내외에서개최되는각종학술대회 / 전시회를소개합니다. 게재를희망하시는분은간략한학술대회정보를이메일로보내주시면게재하겠습니다. 연락처 : edit@theieie.org 2018 년 2 월 일자학술대회명개최장소홈페이지 / 연락처 International Conference on Communication information and Computing Technology (ICCICT) Bharatiya Vidya Bhavan's Sardar Patel Institute of Technology, Mumbai, India IEEE 4th World Forum on Internet of Things (WF-IoT) Sands Marina Hotel, Singapore Advances in Science and Engineering Technology International Conferences (ASET) The Higher Colleges of Technology, Dubai, United Arab Emirates conference.spit.ac.in conferences/conferencedetails/index. html?conf_id= th International Conference on Electrical Energy Systems (ICEES) Sri Sivasubramaniya Nadar College of Engineering, Chennai, India International Conference On Advances in Communication and Computing Technology (ICACCT) Amrutvahini College of Engineering, Sangamner, India Global LIFI Congress (GLC) Palais BRONGNIART, PARIS, France th International Conference on Computational Intelligence & Communication Technology (CICT) GHAZIABAD, India cict.abes.ac.in IEEE International Solid- State Circuits Conference - (ISSCC) San Francisco Marriott Marquis, CA, USA th International Conference on Advanced Communication Technology (ICACT) International Conference on Electrical Engineering (ICEE) Second International Conference on Computing Methodologies and Communication (ICCMC) ELYSIAN Gangchon, Chuncheon, Korea (South) Electrical Engineering Department, University of Engineering and Technology, Pakistan Surya Engineering College, Erode, India ee.uet.edu.pk/icee2018 icocmc.com International Conference on Communication, Computing and Internet of Things (IC3IoT) Sri Sairam Engineering College, Chennai, India IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT) TBD, DC, USA ieee-isgt.org/ International Conference on Advancements in Computational Sciences (ICACS) The University of Lahore, Pakistan sites.uol.edu.pk/icacs18/ rd International Scientific-Professional Conference on Information Technology (IT) Hotel Zabljak, Montenegro th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET) Lviv Polytechnic National University, Lviv, Ukraine science.lpnu.ua/tcset IEEE International Conference on Industrial Technology (ICIT) CENTRE DE CONGRES DE LYON, Lyon 06, France ICIT2018.org th International Symposium on Emerging Trends and Technologies in Libraries and Information Services (ETTLIS) Bennett University, Greater Noida, India International Conference on Electronics, Communications and Computers (CONIELECOMP) Universidad de las Américas Puebla, Cholula, Mexico ict.udlap.mx/conielecomp/2018/ IEEE Power and Energy Conference at Illinois (PECI) I Hotel and Conference Center, Champaign, IL, USA 75 전자공학회지 _ 75

86 일자학술대회명개최장소홈페이지 / 연락처 International Conference on Engineering and Emerging Technologies (ICEET) Superior University Lahore, Lahore, Pakistan International Conference on Computer, Communication, and Signal Processing (ICCCSP) Sri Sivasubramaniya Nadar College of Engineering, Chennai, dia th International Conference on Signal Processing and Integrated Networks (SPIN) Amity University, India amity.edu/spin2018/ IEEE International Symposium on High Performance Computer Architecture (HPCA) TBD. Wien, Austria hpca2018.ece.ucsb.edu/ IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS) Maulana Azad National Institute of Technology, Bhopal, India rd International Conference On Internet of Things: Smart Innovation and Usages (IoT-SIU) Birla Institute of Applied Sciences, India Twenty Fourth National Conference on Communications (NCC) Indian Institute of Technology Hyderabad, Sangareddy, India 년 3 월 International Conference on Current Trends towards Converging Technologies (ICCTCT) SVS College of Engineering, Coimbatore, India IEEE Aerospace Conference Yellowstone Conference Center, MT, USA International Conference on Computing, Mathematics and Engineering Technologies (icomet) Sukkur IBA University, Sukkur, Pakistan icomet.iba-suk.edu.pk IEEE Applied Power Electronics Conference and Exposition (APEC) henry B. Gonzalez Convention Center, TX, USA IEEE 15th International Conference on Wearable and Implantable Body Sensor Networks (BSN) Treasure Island, Las Vegas, NV, USA bsn-bhi.embs.org/ International Conference on Computing, Networking and Communications (ICNC) Hyatt Regency Maui Resort & Spa, Hawaii, USA IEEE EMBS International Conference on Biomedical & Health Informatics (BHI) Treasure Island, Las Vegas, NV, USA bsn-bhi.embs.org/2018/ th ACM/IEEE International Conference on Human-Robot Interaction (HRI) McCormick Place, Chicago, IL, USA humanrobotinteraction.org/2018/ International Workshop on Antenna Technology (iwat) Jinling Hotel Nanjing, Nanjing, China International Electrical Engineering Congress (ieecon) SICE International Symposium on Control Systems (SICE ISCS) 2018 IEEE 3rd International Conference on Big Data Analysis (ICBDA) National Power Engineering Conference (NPEC) IEEE International Reliability Physics Symposium (IRPS) Maritime Park & Spa Resort, Krabi, Thailand Tokyo City University, Setagaya Campus, Tokyo, Japan Convenient Center East China University of Science and Technology, Shanghai, China Thiagarajar College of Engineering, Madurai, India Hyatt Regency San Francisco Airport, Burlingame, CA, USA iscs2018.sice-ctrl.jp/ npec.tce.edu irps.org IEEE Winter Conference on Applications of Computer Vision (WACV) Harrah's and Harvey's Lake Tahoe, NV, USA wacv18.uccs.us IEEMA Engineer Infinite Conference (etechnxt) World Utility Summit (WUS) India Exposition Mart Ltd, Greater Noida, India INDIA EXPO MART, GREATER NOIDA, India ieema.org/the-all-new-elecrama-2018/ IEEE Integrated STEM Education Conference (ISEC) Friend Center, Princeton, NJ, USA ewh.ieee.org/conf/stem/ Optical Fiber Communications Conference and Exhibition (OFC) San Diego Convention Center, CA, USA IEEE Electrical Safety, Technical, Maintenance and Projects Workshop (ESTMP) Hyatt Regency Calgary, Calgary, AB, Canada sites.ieee.org/estmp/ 76 _ The Magazine of the IEIE 76

87 일자학술대회명개최장소홈페이지 / 연락처 th International Conference on Developments in Power System Protection (DPSP) Europa Hotel, Belfast, United Kingdom events.theiet.org/dpsp/index. cfm?origin=ieee German Microwave Conference (GeMiC) Konzerthaus Freiburg, Freiburg, Germany IEEE 2nd Electron Devices Technology and Manufacturing Conference (EDTM) Kobe International Conference Center, Kobe, Japan ewh.ieee.org/conf/edtm/2018/index th International Symposium on Quality Electronic Design (ISQED) Santa Clara Convention Center, CA, USA th International Conference on Computing for Sustainable Global Development (INDIACom) BVICAM, New Delhi, India bvicam.ac.in/indiacom/ Moscow Workshop on Electronic and Networking Technologies (MWENT) Ilya Ivanov, Moscow, Russia mwent.hse.ru/en/ th International Conference on Recent Advances in Information Technology (RAIT) INDIAN INSTITUTE OF TECHNOLOGY (INDIAN SCHOOL OF MINES) DHANBAD, India th International Conference on Devices, Circuits and Systems (ICDCS) Karunya University, Coimbatore, India karunya.edu/ece/icdcs18/index.html IEEE Conference on Virtual Reality and 3D User Interfaces (VR) TBD, Reutlingen, Germany ieeevr.org IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops) Divani Caravel Hotel, Athens, Greece Majan International Conference (MIC) Majan University College, Muscat, Oman mic18.majancollege.edu.om/ IEEE IAS Electrical Safety Workshop (ESW) Omni Fort Worth Hotel, TX, USA International Conference on Recent Trends in Electrical, Control and Communication (RTECC) B.S.ABDUR RAHMAN CRESCENT UNIVERSITY, CHENNAI, India th International Renewable Energy Congress (IREC) Averoes Hotel, Hammamet, Tunisia nd Annual Conference on Information Sciences and Systems (CISS) Princeton University, NJ, USA ee-ciss.princeton.edu/ International Conference on Informatics Computing in Engineering Systems (ICICES) S.A.Engineeering College, Chennai, India Ubiquitous Positioning, Indoor Navigation and Location- Based Services (UPINLBS) Wuhan University, China unsc.whu.edu.cn/upinlbs th International Symposium on Digital Forensic and Security (ISDFS) TBD, Antalya, Turkey International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET) Sri Sivasubramaniya Nadar College of Engineering, Chennai, India International Conference on Control, Power, Communication and Computing Technologies (ICCPCCT) Vimal Jyothi Engineering College, Kannur,Kerala State, India International Applied Computational Electromagnetics Society Symposium (ACES) Embassy Suites by Hilton, Denver, CO, USA aces-society.org/conference/denver_2018/ IEEE Haptics Symposium (HAPTICS) The Westin St. Francis, San Francisco, CA, USA International conference on computation of power, energy, Information and Communication (ICCPEIC) Digital Library Conference Hall, Melamruvathur, chennai, India iccpeic.weebly.com/ th International Conference on Developments in Renewable Energy Technology (ICDRET) Kathmandu Unviersity, Nepal ku.edu.np/icdret2018/ Second International conference on Electronics, Communication and Aerospace Technology (ICECA) RVS Technical Campus, Coimbatore, India icoeca.org/index.html 2018 년 4 월 International Conference on Intelligent Systems and Computer Vision (ISCV) Faculty Of science Dhar El Mahraz, Fez, Morocco International Conference on Communication and Signal Processing (ICCSP) Digital Library Conference Hall, Chennai, India 77 전자공학회지 _ 77

88 일자학술대회명개최장소홈페이지 / 연락처 th International Conference on Information and Communication Systems (ICICS) Jordan University of Science and Technology, Irbid, Jordan IEEE Green Technologies Conference (GreenTech) AT&T Executive Education and Conference Center, Austin, TX, USA ieeegreentech.org/ rd Biennial South African Biomedical Engineering Conference (SAIBMEC) Spier, Stellenbosch, South Africa IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) Omni Shoreham Hotel, Washington DC, USA Future of Information and Communication Conference (FICC) TBA, Singapore saiconference.com/ficc IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR) EASWARI ENGINEERING COLLEGE, Chennai, India IEEE Region 2 Student Activities Conference (SAC) Pittsburgh, PA, USA rd International Conference for Convergence in Technology (I2CT) Hotel Courtyard by Marriott, India ieeepune.i2ct.in/ IEEE Custom Integrated Circuits Conference (CICC) DoubleTree Mission Valley, CA, USA st International Conference on Data Intelligence and Security (ICDIS) Hilton at South Padre Island, TX, USA European Conference on Antennas and Propagation (EuCAP) ExCel London ICC Capital Suite and Hall, London, United Kingdom IEEE International Conference on Software Testing, Verification and Validation (ICST) Aros Congress Centre, Västerås, Sweden nd International Conference on Applied Electromagnetic Technology (AEMT) Golden Palace Hotel Lombok, Mataram, Indonesia aemt.unram.ac.id IEEE Pacific Visualization Symposium (PacificVis) Kobe University, Kobe, Japan itolab.is.ocha.ac.jp/pvis2018/# Integrated Communications, Navigation, Surveillance Conference (ICNS) Westin Washington Dulles Hotel, VA, USA International Conference on Photonics and High Speed Optical Networks (ICPHON) S A Engineering College, Chennai, India saec.ac.in/icphon IEEE International Conference on Soft Robotics (RoboSoft) Hotel Palazzo, Livorno, Italy ICASSP IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) TELUS Convention Center, AB, Canada 2018.ieeeicassp.org IEEE Wireless Communications and Networking Conference (WCNC) Centre Convencions Internacional Barcelona, Barcelona, Spain wcnc2018.ieee-wcnc.org/ IEEE MTT-S International Conference on Microwaves for Intelligent Mobility (ICMIM) Holiday Inn Munich-Unterhaching, Germany IEEE International Conference on Applied Superconductivity and Electromagnetic Devices (ASEMD) Conference Center, Wuhan, China IEEE/PES Transmission and Distribution Conference and Exposition (T&D) Colorado Convention Center, CO, USA IEEE INFOCOM IEEE Conference on Computer Communications Hilton Hawaiian Village Waikiki Beach Resort, HI, USA infocom2018.ieee-infocom.org/ International Symposium on VLSI Design, Automation and Test (VLSI-DAT) Ambassador Hotel Hsinchu, Hsinchu, Taiwan expo.itri.org.tw/2018vlsidat IEEE 34th International Conference on Data Engineering (ICDE) Conservatoire National des Arts et Métiers, France icde2018.org International Symposium on VLSI Technology, Systems and Application (VLSI-TSA) Ambassador Hotel Hsinchu, Taiwan expo.itri.org.tw/2018vlsitsa IEEE Global Engineering Education Conference (EDUCON) IBEROSTAR Grand Hotel Mencey, Spain IET 9th International Conference on Power Electronics, Machines & Drives (PEMD) ACC Liverpool, United Kingdom SoutheastCon 2018 TBD, St. Petersburg, FL, USA ewh.ieee.org/reg/3/southeastcon2018/ index.html 78 _ The Magazine of the IEIE 78

89 일자학술대회명개최장소홈페이지 / 연락처 Second International Conference on Inventive Communication and Computational Technologies (ICICCT) Hotel Arcadia, Coimbatore, India icicct.org/index.html IEEE International Conference on Applied System Invention (ICASI) TBD, Tainan, Taiwan 2018.icasi.tw/ IEEE International Magnetic Conference (INTERMAG) Marina Bay Sands Convention Centre, Singapore prem@ntu.edu.sg rd International Conference on Intelligent Green Building and Smart Grid (IGBSG) National Ilan University, Yi-Lan, Taiwan igbsg.ntust.edu.tw NOMS IEEE/IFIP Network Operations and Management Symposium NTUH International Convention Center, Taipei, Taiwan noms2018.ieee-noms.org/ th International Conference on Electric Power and Energy Conversion Systems (EPECS) Kitakyushu International Conference Center, Kitakyushu, Japan Annual IEEE International Systems Conference (SysCon) IEEE Radar Conference (RadarConf18) JW Marriott parq Vancouver, BC, Canada Renaissance Oklahoma City Convention Center Hotel, OK, USA ieeesystemscouncil.org/ IEEE/ION Position, Location and Navigation Symposium (PLANS) Hyatt Regency Monterey, CA, USA IEEE International Vacuum Electronics Conference (IVEC) Monterey Marriott, CA, USA International Symposium on Programming and Systems (ISPS) University of Sciences and Technology Houari Boumediene, Algiers, Algeria th International Conference on Optimization and Applications (ICOA) ENSET of Mohammedia, Mohammedia, Morocco th International Particle Accelerator Conference (IPAC) JW Marriott parq Vancouver, BC, Canada ipac18.org th Annual SEMI Advanced Semiconductor Manufacturing Conference (ASMC) Saratoga Springs City Center, NY, USA 년 5 월 IEEE International Symposium on Hardware Oriented Security and Trust (HOST) Ritz-Carlton, Tysons Corner, McLean, VA, USA IEEE International Symposium on Technologies for Homeland Security (HST) DoubleTree, Arlington, VA, USA th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGRID) TBD, Washington, DC, USA hpcl.seas.gwu.edu/ccgrid2018/ th IEEE Mediterranean Electrotechnical Conference (MELECON) Marrakech, Morocco th International Conference on Information and Communication Technology (ICoICT) Telkom University, Bandung, Indonesia IEEE International Conference on Computational Photography (ICCP) McConomy Auditorium, Pittsburgh, PA, USA iccp2018.ece.cmu.edu IEEE Rural Electric Power Conference (REPC) The Peabody Memphis, TN, USA CCampbell@wcec.org IEEE-IAS/PCA Cement Industry Conference (IAS/PCA) Gaylord Opryland Resort & Convention Center, Nashville, TN, USA th International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks (WiOpt) Xuhui campus of Shanghai Jiao Tong University, Shanghai, China International Conference on Radiation Effects of Electronic Devices (ICREED) Harbin, China liuch32@163.com International Conference on Microwave and Millimeter Wave Technology (ICMMT) Chengdu, China th International Symposium on Next Generation Electronics (ISNE) Taipei, Taiwan isne2018.ntut.edu.tw/ IEEE Vision, Innovation and Challenges Summit & Honors Ceremony (VICS) Palace Hotel, San Francisco, CA, USA 79 전자공학회지 _ 79

90 일자학술대회명개최장소홈페이지 / 연락처 nd International Conference on Trends in Electronics and Informatics (ICOEI) Tirunelveli, Tamilnadu, India icoei2018.com/index.htm Simpósio Brasileiro de Sistemas Elétricos (SBSE) Niterói, Brazil sbse2018.sites.uff.br/ th International Conference on Harmonics and Quality of Power (ICHQP) Cankarjev dom Congress Centre, Ljubljana, Slovenia IEEE Canadian Conference on Electrical & Computer Engineering (CCECE) Quebec City Convention Centre, QC, Canada IEEE 30th International Symposium on Power Semiconductor Devices and IC's (ISPSD) Palmer House Hilton, Chicago, IL, USA IEEE International Memory Workshop (IMW) Westin Miyako Kyoto, Japan IEEE Symposium on Product Compliance Engineering (ISPCE) DoubleTree by Hilton San Jose, CA, USA 2018.psessymposium.org IEEE International Instrumentation and Measurement Technology Conference (I2MTC) TX, USA imtc.ieee-ims.org IEEE International Symposium on Electromagnetic Compatibility and 2018 IEEE Asia-Pacific Symposium on Electromagnetic Compatibility (EMC/APEMC) TBD, China IEEE Industrial Cyber-Physical Systems (ICPS) ITMO University, Petersburg, Russia nd International Microwave and Radar Conference (MIKON) Poznan Congress Center, Poznan, Poland mrw2018.org/mikon2018/ International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM) Moscow Polytechnic University, Moscow, Russia icie-rus.org/index-ieam.html th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2018) Grand Dynasty Culture Hotel, China st Workshop on Wide Bandgap Power Devices and Applications in Asia (WiPDA Asia) Xi'an Zhang Ba Hotel, Xi'an, China rd IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT) Sri Venkateshwara College of Engineering, Bangalore, India International Power Electronics Conference (IPEC-Niigata 2018 ECCE Asia) TOKI MESSE Niigata Convention Center, Niigata, Japan IEEE International Conference on Communications Workshops (ICC Workshops) Sheraton Kansas City Hotel at Crown Center, MO, USA icc2018.ieee-icc.org/ IEEE International Parallel and Distributed Processing Symposium (IPDPS) JW Marriott Parq Vancouver, BC, Canada IEEE International Conference on Energy Internet (ICEI) TBD, China IEEE International Conference on Robotics and Automation (ICRA) Brisbane Convention and Exhibition Centre, Australia icra2018.org st International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO) Grand Hotel Adriatic Congress Centre, Opatija, Croatia IEEE Women in Engineering International Leadership Conference (WIE ILC) San Jose Convention Center, CA, USA IEEE International Frequency Control Symposium (IFCS) Resort at Squaw Creek, CA, USA ifcs2018.org IEEE Innovative Smart Grid Technologies - Asia (ISGT Asia) Singapore kwankh@tp.edu.sg IEEE 7th Data Driven Control and Learning Systems Conference (DDCLS) Enshi Hualongcheng Hotel, Enshi, China ddclo.bjtu.edu.cn/2018ddcls/ IEEE/ACM 40th International Conference on Software Engineering (ICSE) Gothia Towers Congres Center, Gothenburg, Sweden IEEE International Symposium on Circuits and Systems (ISCAS) Florence Congress Centre, Florence, Italy IEEE ISAF-FMA-AMF-AMEC-PFM Joint Conference (IFAAP) International Conference Center Hiroshima, Hiroshima, Japan 80 _ The Magazine of the IEIE 80

91 일자학술대회명개최장소홈페이지 / 연락처 OCEANS - MTS/IEEE Kobe Techno-Ocean (OTO) Kobe Convention Center, Japan oceans18mtsieeekobe.org nd URSI Atlantic Radio Science Meeting (AT-RASC) ExpoMeloneras Convention Center, Gran Canaria, Spain th Saint Petersburg International Conference on Integrated Navigation Systems (ICINS) Concern CSRI Elektropribor, Saint Petersburg, Russia Moratuwa Engineering Research Conference (MERCon) TBD, Sri Lanka mercon.mrt.ac.lk/index.html th IEEE Intersociety Conference on Thermal and Thermomechanical Phenomena in Electronic Systems (ITherm) Sheraton San Diego Hotel & Marina, CA, USA IEEE Conference on Communications and Network Security (CNS) TBD, Beijing, China cns2018.ieee-cns.org/ th IEEE Conference on Industrial Electronics and Applications (ICIEA) Chutian Guangdong International Hote, Wuhan, China 년 6 월 ACM/IEEE 45th Annual International Symposium on Computer Architecture (ISCA) Intercontinental Hotel, CA, USA tpink@usc.edu nd International Conference on Power, Energy and Environment: Towards Smart Technology (ICEPE) National Institute of Technology Meghalaya, Shillong, India icepe2018.nitmeghalaya.in/index.html IEEE International Interconnect Technology Conference (IITC) Marriott, Santa Clara, CA, USA IEEE 87th Vehicular Technology Conference (VTC Spring) Porto Palacio Congress Hotel & Spa, Portugal IEEE International Energy Conference (ENERGYCON) St. Raphael Resort, Limassol, Cyprus IEEE Wireless Power Transfer Conference (WPTC) TBD, Montreal, QC, Canada wptc.mtt.org IEEE International Power Modulator and High Voltage Conference (IPMHVC) Jackson Lake Lodge, Moran, WY, USA Global Internet of Things Summit (GIoTS) th Eurographics Conference on Visualization (EuroVis) Euskalduna Jauregia, Santander, Spain Hotel International Brno, Czech Republic eurovis.org/ IEEE International Conference on Healthcare Informatics (ICHI) New York Marriott East Side, NY, USA few2001@med.cornell.edu International Conference Laser Optics (ICLO) Holiday Inn Moskovskye Vorota, Petersburg, Russia SIAM Conference on Imaging Science (IS) University of Bologna, Bologna, Italy Petroleum and Chemical Industry Conference Europe (PCIC Europe) IEEE Biennial Congress of Argentina (ARGENCON) Hilton Old Town, Antwerpen, Belgium Facultad Regional Tucumán - Universidad Tecnológica Nacional, San Miguel de Tucumán, Argentina Chinese Control And Decision Conference (CCDC) TBD, Shenyang, China th Mediterranean Conference on Embedded Computing (MECO) Hotel Budva, Montenegro embeddedcomputing.me/en/ mediterranean-conference-on-embeddedcomputing IEEE Radio Frequency Integrated Circuits Symposium (RFIC) Philadelphia Convention Center, PA, USA rfic-ieee.org/ IEEE 45th Photovoltaic Specialists Conference (PVSC) Hilton Waikoloa Village, HI, USA IEEE Statistical Signal Processing Workshop (SSP) IEEE/MTT-S International Microwave Symposium - IMS 2018 Historisches Kaufhaus, Freiburg im Breisgau, Germany Pennsylvania Convention Center, Philadelphia, PA, USA elsie.vega@ieee.org 81 전자공학회지 _ 81

92 일자학술대회명개최장소홈페이지 / 연락처 th IFAC Symposium on Information Control Problems in Manufacturing (INCOM) University of Bergamo, Bergano, Italy IEEE-NPSS Real Time Conference (RT) Power Systems Computation Conference (PSCC) Williamsburg Woodlands Hotel and Suites, VA, USA UCD O'Brien Centre for Science, Dublin, Ireland lockwood@jlab.org IEEE IoT Vertical and Topical Summit - Anchorage Hilton Hotel, Anchorage, AK, USA IEEE International Conference on Environment and Electrical Engineering and 2018 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe) 2018 International Conference on Smart Electric Drives and Power System (ICSEDPS) 2018 IEEE 27th International Symposium on Industrial Electronics (ISIE) University of Palermo, Via delle Scienze, Palermo, Italy G.H. Raisoni College of Engineering Digdoh Hills, Nagpur, Maharashtra, India TBD, Cairns, Australia iot.ieee.org/conferences-events/summits/ anchorage2017 eeeic.net 엔 th European Control Conference (ECC) Amathus Beach Hotel, Limassol, Cyprus International Conference on Unmanned Aircraft Systems (ICUAS) Dallas Marriott City Center, TX, USA th Iberian Conference on Information Systems and Technologies (CISTI) Instituto de Lenguas Modernas (ILM) at the University of Extremadura, Spain IEEE Transportation Electrification Conference and Expo (ITEC) Long Beach Convention Center, CA, USA itec-conf.com/ Second International Conference on Intelligent Computing and Control Systems (ICICCS) Vaigai College Engineering, Madurai, India iccs2018.com/index.html st International Conference on Advanced Research in Engineering Sciences (ARES) Carlton Hotel, Dubai, United Arab Emirates sites.ieee.org/ares-2018/ IEEE International Symposium on Information Theory (ISIT) Vail Cascade, CO, USA elza@nyu.edu IEEE International Conference on Engineering, Technology and Innovation (ICE/ITMC) Hospitalhof Stuttgart Evangelisches Bildungszentrum, Stuttgart, Germany IEEE Electrical Insulation Conference (EIC) TBD, San Antonio, TX, USA ieeedeis.org/eic IEEE IAS Pulp, Paper and Forest Industries Conference (PPFIC) Paper Valley Inn, Appleton, WI, USA pulppaper.org/default.aspx IEEE 31st International Symposium on Computer-Based Medical Systems (CBMS) Karlstad University Business School, Karlstad, Sweden cbms2018.hotell.kau.se IEEE Third International Conference on Data Science in Cyberspace (DSC) Guangzhou, China IEEE Symposium on VLSI Circuits Hilton Hawaiian Village, Honolulu, HI, USA IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Salt Palace Convention Center, UT, USA csaliba@computer.org European Conference on Networks and Communications (EuCNC) Culture and Congress Centre, Ljubljana, Slovenia th Annual Conference on System of Systems Engineering (SoSE) Sorbonne Universités, Paris, France sosengineering.org/2018/ International Conference on Engineering & MIS (ICEMIS) Altınbaş University, Istanbul, Turkey iares.net/conference/icemis International Symposium on Power Electronics, Electrical Drives, Automation and Motion (SPEEDAM) Museo Arsenale Amalfi, Amalfi, Italy th International Radar Symposium (IRS) irs2018.dgon-irs.org irs@tuhh.de XIII Technologies Applied to Electronics Teaching Conference (TAEE) Escuela Superior de Ingeniería y Tecnología, La Laguna, Spain International Conference on Advances in Computing and Communication Engineering (ICACCE) ECE Paris School of Engineering, Paris, France 82 _ The Magazine of the IEIE 82

93 일자학술대회명개최장소홈페이지 / 연락처 IEEE International Conference on Probabilistic Methods Applied to Power Systems (PMAPS) Grove Hotel, Boise, ID, USA th IEEE International New Circuits and Systems Conference (NEWCAS) La Plaza - centre de congrès, QC, Canada newcas2018.org/ th Device Research Conference (DRC) IEEE International Conference on Plasma Science (ICOPS) University of California at Santa Barbara, CA, USA Sheraton Denver Downtown Hotel, CO, USA th ACM/EDAC/IEEE Design Automation Conference (DAC) Moscone Center, CA, USA Joint 7th International Conference on Informatics, Electronics & Vision (ICIEV) and nd International Conference on Imaging, Vision & Pattern Recognition (icivpr) Kitakyushu International Conference Center, Japan cennser.org/iciev th Annual IEEE/IFIP International Conference on Dependable Systems and Networks (DSN) Alvisse Parc Hotel, Luxembourg th IEEE International Symposium on Power Electronics for Distributed Generation Systems (PEDG) Hilton Charlotte University Place, NC, USA IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC) Elite Hotel Kalamata, Greece spawc2018.org IEEE Intelligent Vehicles Symposium (IV) TBD, Changshu, Suzhou, China rd International Conference on Smart and Sustainable Technologies (SpliTech) University of Split, FESB, Croatia splitech2018.fesb.unist.hr Annual American Control Conference (ACC) Hilton Milwaukee City Center, Milwaukee, WI, USA acc2018.a2c2.org/ IEEE PES/IAS PowerAfrica TBD, South Africa ieee-powerafrica.org/ IEEE Technology and Engineering Management Conference (TEMSCON) Hilton Orrington, IL, USA temscon.org Eighth International Conference on Information Science and Technology (ICIST) Spain conference.cs.cityu.edu.hk/icist/ 83 전자공학회지 _ 83

94 The Magazine of the IEIE 특별회원사및후원사명단 회원명 대표자 주소 전화 홈페이지 AP 위성통신 류장수 서울시금천구가산디지털2로 98 2동 9층 FCI 한상우 경기도성남시분당구판교로 255번길 35( 삼평동 ) 실리콘파크 B동 7층 I&C테크놀로지 박창일 경기도성남시분당구판교로 255번길 24 아이앤씨빌딩 KT 황창규 경기도성남시분당구정자동 LDT 정재천 충남천안시서북구한들1로 WE빌딩 LG전자 구본준 서울시영등포구여의도동 LIG 넥스원 이효구 서울시서초구강남대로 369( 서초동, 나라빌딩 ) RadioPulse 권태휘 경기도성남시분당구대왕판교로 660 유스페이스1A 1106호 ( 삼평동 ) SK Telecom 장동현 서울특별시중구을지로65( 을지로2가 ) SK T-타워 SK 하이닉스 박성욱 경기도이천시부발읍아미리산 국제종합측기 박재욱 서울특별시강남구강남대로 354 ( 역삼동 831, 혜천빌딩 10F, 12F) 나노종합기술원 이재영 대전광역시유성구대학로 291 ( 구성동, 한국과학기술원 ) 네이버 김상헌 경기도성남시분당구불정로 6 ( 정자동그린팩토리 ) 넥서스칩스 Douglas M. Lee 서울시강남구역삼동 넥스트칩 김경수 경기도성남시분당구판교로 323 벤처포럼빌딩 넥스파시스템 이상준 서울특별시성동구자동차시장1길 누리미디어 최순일 서울시영등포구선유로 63, 4층 ( 문래동 6가 ) 다빛센스 강영진 경기도성남시중원구사기막골로 124, Skn테크노파크비즈동 다우인큐브 이예구 경기도용인시수지구디지털벨리로 81 ( 죽전동디지털스퀘어 2층 ) 대구테크노파크 송인섭 대구시달서구대천동 대덕G.D.S 이희준 경기도안산시단원구산단로 63( 원시동 ) 대덕전자 김영재 경기도시흥시소망공원로 335 ( 정왕동 ) 대성전기 이철우 경기도안산시단원구산단로 31 ( 원시동, 8-27블럭 ) ( 재 ) 대전테크노파크 권선택 대전시유성구테크노9로 35 대전테크노파크 더즈텍 김태진 경기도안양시동안구학의로 292 금강펜테리움IT타워 A동 1061호 덴소풍성전자 김경섭 경남창원시성산구외동 동부하이텍 최창식 경기도부천시원미구수도로 동아일렉콤 손성호 경기도용인시처인구양지면남곡로 동운아나텍 김동철 서울시서초구서초동 아리랑타워 9층 디엠티 김홍주 대전광역시유성구테크노11로 라온텍 김보은 경기도성남시분당구황새울로360번길 42, 18층 ( 서현동 AK플라자 ) 라이트웍스 서인식 서울강남구테헤란로88길 14, 4층 ( 신도리코빌딩 ) 만도 성일모 경기도성남시분당구판교로 255번길 문화방송 안광한 서울시마포구성암로 삼성전자 권오현 서울시서초구서초2동 삼성전자빌딩 삼화콘덴서 황호진 경기도용인시처인구남사면경기동로 227 ( 남사면북리 124) 서연전자 조명수 경기도안산시단원구신원로 세미솔루션 이정원 경기도용인시기흥구영덕동 1029 흥덕U타워지식산업센터 20층 2005호 세원텔레텍 김철동 경기도안양시만안구전파로44번길 스카이크로스코리아 조영민 경기수원시영통구영통동 디지털엠파이어빌딩 C동 801호 _ The Magazine of the IEIE 84

95 회원명 대표자 주소 전화 홈페이지 ( 주 ) 시솔 이우규 서울시강서구공항대로 61길 29 서울신기술센터 A동 202호 실리콘마이터스 허염 경기도성남시분당구대왕판교로 660 유스페이스-1 A동 8층 실리콘웍스 한대근 대전시유성구탑립동 싸인텔레콤 성기빈 서울시영등포구경인로 775, 문래동 3가에이스하이테크시티 1동 119호 ( 주 ) 쏠리드 정준, 이승희 경기도성남시분당구판교역로 220 쏠리드스페이스 씨자인 김정표 경기성남시분당구구미동 보명프라자 아나패스 이경호 서울시구로구구로동 신세계아이앤씨디지털센타 7층 아바고테크놀로지스 전성민 서울시서초구양재동 아이닉스 황정현 수원시영동구덕영대로 1556번길 16, C동 1004호 ( 영통동, 디지털엠파이어 ) 아이디어 황진벽 서울마포구연남동 번지대원빌딩 5층 아이언디바이스 박기태 서울강남구신사동 예영빌딩 402호 아이에이 김동진 서울송파구송파대로 22길 5-23 ( 문정동 ) 안리쓰코퍼레이션 토루와키나가 경기도성남시분당구삼평동 681번지 H스퀘어 N동 5층 502호 알파스캔디스플레이 류영렬 서울특별시강서구허준로 217 가양테크노타운 202호 에디텍 정영교 경기도성남시분당구삼평동 621번지판교이노벨리 B동 1003호 에스넷시스템 박효대 서울특별시강남구선릉로 514 ( 삼성동 ) 성원빌딩 10층 에스엘 이충곤 경북경산시진량읍신상리 에이치앤티테크 강임성 대전광역시유성구용산동 에이투테크 김현균 경기도성남시수정구복정동 상헌빌딩 3층 엠텍비젼 이성민 경기도성남시분당구판교로 255번길 58 6층 601호 오픈링크시스템 성재용 광주광역시서구치평로 112 정연하이빌 402호 우양신소재 윤주영 대구광역시북구유통단지로 8길 유라코퍼레이션 엄병윤 경기도성남시분당구삼평동 유텔 김호동 경기도군포시당정동 이노피아테크 장만호 경기도상남시중원구갈마치로 215 A동 405호 주식회사이디 박용후 경기도성남시중원구상대원동 ( 둔촌대로457번길 14) 자람테크놀로지 백준현 경기도성남시분당구야탑동 파인벤처빌딩 2층 , 전자부품연구원 박청원 경기도성남시분당구새나리로 25 ( 야탑동 ) 주식회사제이엔티이엔지 최승훈 경기도성남시중원구사기막골로 148, 701호 ( 상대원동, 중앙이노테크 ) 제퍼로직 정종척 서울강남구역삼1동 아주빌딩 1801호 지에스인스트루먼트 고재목 인천시남구길파로71번길 70 ( 주안동 ) 지엠테스트 고상현 충남천안시서북구직산읍군서1길 19( 군서리 134) 충북테크노파크 남창현 충북청주시청원구오창읍연구단지로 케이던스코리아 ( 유 ) 제임스해댓 경기도성남시분당구판교로 344 엠텍IT타워 9층 (main office)/2층 코아리버 배종홍 서울시송파구가락본동 78번지 IT벤처타워서관 11층 콘티넨탈오토모티브시스템선우현 경기도성남시분당구판교역로 220 솔리드스페이스빌딩 클레어픽셀 정헌준 경기도성남시분당구판교로 242 판교디지털센터 A동 301호 키움인베스트먼트 박상조 서울특별시영등포구여의나루로4길 18 키움파이낸스스퀘어빌딩 16층 텔레칩스 이장규 서울특별시송파구올림픽로35다길 42 ( 신천동, 루터빌딩 19층 ~23층 ) 티에이치엔 채석 대구시달서구갈산동 티엘아이 김달수 경기도성남시중원구양현로 405번길 12 티엘아이빌딩 파워큐브세미 강태영 경기도부천시오정구석천로397( 부천테크노파크쌍용3차 ) 103동 901호 페어차일드코리아반도체 김귀남 경기도부천시원미구도당동 하이브론 이홍섭 인천광역시부평구청천동안남로402번길 25 3층 전자공학회지 _ 85

96 회원명 대표자 주소 전화 홈페이지 한국멘토그래픽스 ( 유 ) 양영인 경기도성남시분당구판교역로 192번길 12 ( 삼평동 ) 판교미래에셋센터 7층 한국애질런트테크놀로지스 김승렬 서울강남구역삼로 542, 신사SNG빌딩2층 한국인터넷진흥원 백기승 서울시송파구중대로 135 ( 가락동 ) IT벤처타워 한국전기연구원 박경엽 경상남도창원시성산구불모산로10번길 12 ( 성주동 ) 한국전자통신연구원 이상훈 대전광역시유성구가정로 한국정보통신기술협회 임차식 경기도성남시분당구분당로 한라비스테온공조 박용환 대전시대덕구신일동 한백전자 진수춘 대전광역시유성구대학로 76번안길 한화탈레스 장시권 서울시중구청계천로 86 ( 장교동 ) 한화비딩 (19,20층) 핸즈온테크놀러지 강현웅 서울특별시강서구양천로 583, 에이동 호 ( 염창동, 우림블루나인 ) 현대로템 김승탁 경기도의왕시철도박물관로 현대모비스 정명철 서울시강남구역삼1동 서울인터내셔널타워 현대엠엔소프트 차인규 서울시용산구원효로74 현대차사옥 9층 현대오트론 김재범 경기도성남시분당구판교로 344 엠텍 IT 타워 현대자동차그룹 양웅철 경기도화성시장덕동 현대케피코 박정국 경기도군포시고산로 휴먼칩스 손민희 서울시송파구가락본동 10 신도빌딩 휴인스 송태훈 경기도성남시분당구대왕판교로 670 비 히로세코리아 이상엽 경기시흥시정왕동희망공원로 _ The Magazine of the IEIE 86

97 The Magazine of the IEIE 단체회원명단 회원명 주소 전화 홈페이지 가톨릭대중앙도서관 경기부천시원미구역곡2동산 가톨릭상지대학도서관 경북안동시율세동 강릉대도서관 강원강릉시지변동산1 강원관광대도서관 강원태백시황지동 강원대도서관 강원춘천시효자2동 경동대도서관 강원고성군토성면봉포리산 경주대도서관 경북경주시효현동산 건국대도서관 서울성동구모진동 건양대중앙도서관 충남논산시내동산 경기대중앙도서관 경기수원시팔달구이의동산 경기공업대도서관 경기시흥시정왕동시화공단3가 경남대중앙도서관 경남마산시월영동 경도대도서관 경북예천군예천읍청복리 경북대도서관 대구북구산격동 경북대전자공학과 대구북구산격동 경운대벽강중앙도서관 경북구미시산동면인덕리 경일대도서관 경북경산군하양읍부호리 경산대도서관 경북경산시점촌동산75 경상대도서관 경남진주시가좌동 경성대도서관 부산남구대연동 경희대학교 중앙도서관경기용인시기흥구서천동1번지 고려대과학도서관 서울성북구안암동5가1번지 고려대서창캠퍼스도서관 충남연기군조치원읍서창동208 고속도로정보통신공단 경기용인기흥읍공세리 공군사관학교도서관 충북청원군남일면쌍수리사서함 공군전투발전단무기체계실 충남논산군두마면부남리사서함 호 , 5281 공주대도서관 충남공주시신관동 광명하안도서관 경기광명시하안2동 광운대도서관 서울노원구월계동 ~2 국민대성곡도서관 서울성북구정릉동 김포대학도서관 경기김포시월곶면포내리산 국방대학교도서관 서울은평구수색동 국방제9125부대 서울중앙우체국사서함932호 국방품질관리연구소정보관리실 서울청량리우체국사서함 276호 국방과학연구소서울자료실 서울송파구송파우체국사서함132호 방위사업청 서울용산구용산2가동7번지 극동대학교도서관 충북음성군감곡면왕장리산 금강대학교도서관 충남논산시상월면대명리 LG정밀 ( 주 ) 제2공장자료실 경기오산시가수동 (318) LG정보통신 ( 주 ) 자료실 경북구미시공단동 전자공학회지 _ 87