메타버스의 시대, 반도체에 대한 관심이 높아지고 있다. 지난 6월 1일 반도체 산업의 미래를 이끌어 갈 아이디어가 한 곳에 모인 성남시 NHN에서 열린 ‘인공지능 반도체 공급기관-수요기업 MOU 및 인공지능 반도체 설계 경진대회 시상식’에서 전자공학부 김형원 교수님의 지도 하에 출전한 MSIS팀과 YMCA팀이우수한 성과를 거뒀다. 이에 미래의 디지털 뉴딜을 선도할 인공지능 반도체 인재들을 만났다.

  그래서 구현된 인공지능 반도체는 기존 PC에서 구동되던 소프트웨어를 초소형의 배터리로 구동할 수 있는 새로운 반도체 구조와 기술로 설계한 후 휴대폰 포함해서 자율주행자동차나 드론이나 킥보드와 같은 곳에 장착해서 사람의 안전, 편의성, 보안 분야에 많이 활용할 수 있는 반도체이다.

스마트폰이 등장하면서 예전에는 큰 PC에서 구동할 수 있던 소프트웨어를 아주 작은 배터리로 동작하는 스마트폰에서 더 빠르게 동작할 수 있는 방향으로 인공지능 반도체가 진화하고 있다.

  본 대회의 설계목표를 달성하기 위해 필요한 딥뉴트럴네트워크의 메모리 크기 및 데이터 전송 요구사항을 최소화하는 하드웨어 구조를 설계하고, 하나의 클럭 주기 동안 250개 이상의 MAC 연산을 동시에 처리하도록 병렬 어레이 구조로 하드웨어를 설계했다.

  본 대회의 성공을 위한 핵심은 인공지능 소프트웨어와 하드웨어 기술을 모두 보유하고 단기간 내에 최대한의 성능을 제공하는 시스템 반도체 설계와 검증을 하는 실력에 있다.

[김형원 교수님]

  본 대회는 국내에서 최초로 개최된 인공지능 반도체설계 경진대회이며, 전국의 인공지능 반도체설계 연구를 하는 대학원생들, 기업체 등이 참가 대상입니다. 2월에 예선에서 하드웨어 구조 설계 결과를 평가하여 20여 개 팀이 선발되었습니다. 본선에서는 최종 인공지능 시스템반도체 설계 결과를 제공되는 FPGA 플랫폼에서 동작과 성능을 시연하고 평가하였습니다.

  최종 평가 결과 충북대 참가팀 중 MSIS팀이 최우수상 (2등 상, SK텔레콤 상, 상금500만 원) 을 수상하였고, YMCA팀이 장려상을 수상하였습니다. 본 대회의 요구사항은 주어진 100장의 영상을 단시간 내에 분석하여 사람 얼굴을 검 출하고 마스크 착용/미착용 여부를 판별하는 영상인식 딥러닝 기능을 FPGA 반도체에서 고속으로 구현하는 것입니다.

  저희는 데이터를 반복적으로 읽는 것을 최소화하고, 내부에서 재활용하는 방법을 사용했습니다. 데이터의 전송속도를 줄이고 처리속도를 고속화하는 것을 주안점으로 두었습니다.

[YMCA팀 이동영 학우]

  주어진 소프트웨어 모델과 한정적인 FPGA resource를 통해 인공지능 반도체를 얼마나 효과적으로 구현할 수 있는지 겨루는 대회였습니다. 학부생 시절부터 인공지능 반도체를 설계해오고 있던 학생으로서 대한민국의 인공지능 반도체 설계 수준을 향상하기 위해 대회에 참가했습니다.

[MSIS팀 손현욱 학우]

  가지고 졸업작품을 제작하였습니다. 당시에는 간단한 인공지능 회로를 통해 숫자와 연산기호를 판단하는 것에 그쳤습니다. 대학원에 들어와서 계속해서 인공지능 반도체를 연구하다가 이번 대회 소식을 듣고 지금까지 연구한 것을 더욱 심화시킬 좋은 기회가 될 것이라고 생각하여 이번 대회에 참가하게 되었습니다.

Q. 대회에서 수상하신 것을 진심으로 축하하며 이번 작품에 대한 설명을 부탁드립니다.

[MSIS팀 손현욱 학우]

  MSIS팀의 설계의 특징은 Kernel-level systolic array 기반으로 기존 기술대비 CNN의 구조를 더욱 효율적으로 설계하여 메모리에서 동일 데이터 전송의 회수를 최소화 할 수 있는 강점이 있습니다.

저희 팀은 기존 Systolic array를 변형 시켜 Kernel을 기준으로 설계한 Systolic array를 통해 CNN의 구조를 단순화시키고 필요한 소스를 기존 기술 대비 수배로 줄여서 사용할 수 있는 모델을 설계하였습니다. 또한 회로를 병렬구조로 설계하여 동시에 288개의 연산이 동작이 되어 빠른 속도로 판단하는 인공지능 반도체를 설계하였습니다.

[YMCA팀 이동영 학우]

  YMCA팀의 설계 강점은 CNN의 하드웨어 구조 중 가장 에너지 효율성이 높은 Output Stationary 구조에 Feed-forward 구조를 추가하여 입력 데이터의 재활용성을 극대화하는 구조로서 중간 단계 output buffer를 필요로 하지 않는 장점도 가지고 있습니다.

  Convolution의 결과가 곧바로 Max pooling, Batch normalization, Activation function을 거치는 Pipeline구조로 설계하였기 떄문이며 연산에 소모되는 시간을 대폭 줄이는 효과도 있습니다.

Q.대회를 준비하는 과정에서 힘들었던 점이나 기억에 남는 점이 있나요?

[YMCA팀 이동영 학우]

  제어 신호들을 설계하는 데 있어 복잡성이 크기 때문에 이에 오랜 시간을 투자했습니다. 처음에 소프트웨어를 만들기 위한 하나의 인공지능 모델을 대회 측에서 제공해주었습니다. 이 소프트웨어를 통해 하드웨어로 직접 해결해야 하는데, 생각했던 부분과 다른 점이 있어서 서로 혼동하고 수정하는 단계에서 시간이 걸려서 힘들었던 적이 있습니다.

[MSIS팀 손현욱 학우]

  AXI Data Bus를 공부해본 적이 있었지만, 실제로 사용해보는 것은 처음이었기 때문에 이를 위한 시간도 많이 필요했습니다. 연구실에서 저희의 연구과제를 진행하는 것 외에는 저희는 반도체 설계의 실전 경험이 부족하였습니다. AXI버스 구조 같은 저희가 직접 사용해보지 못하지만 실제로는 사용되고 있는 부가적인 회로를 설계하는 것이 힘들었던 것 같습니다. 처음 해보는 것도 있었기에 시간이 지체되면서 저희는 대회가 끝나는 날까지 회로를 검증하고 확인하였는데요.

  마지막 주에는 1주 내내 밤을 새워가며 오류를 찾았었습니다. 그래서인지 마지막 날에는 제가 횡설수설하고 제출이 끝난 다음 날에는 저희 팀원 모두 하루종일 잠만 잤습

니다.

Q. 마지막으로 인공지능 반도체 분야를 공부하고 싶은 수험생이나 학생들에게 해주고 싶은 말이나 앞으로의 각오 한 말씀 부탁드립니다.

  인공지능 반도체 분야는 앞으로 연간 30%가 넘는 성장률이 예측되는 분야입니다. 이에 맞춰 전 세계의 우수한 인재들이 오늘도 치열하게 경쟁하고 있는 만큼, 이 분야에서 공부하고 싶은 여러분들도 각별한 노력이 필요할 것입니다. 기본적으로, 소프트웨어 수준의 AI 알고리즘들을 이해하고, 이들 verilog 들 Hardward Description Languaue를 통해 하드웨어로 구현할 줄 알아야 합니다. 앞으로도 인공지능 반도체 분야에서 좋은 연구성과를 만들겠습니다.

관련 블로그 링크 : https://m.blog.naver.com/PostView.naver?blogId=cbnu_eca&logNo=222405288723&navType=tl