인공지능 기반 네트워크온칩 설계 탐색 신경망 모델 비교

초록

본 논문은 BookSim 시뮬레이션 데이터를 활용해 목표 성능 지표에 맞는 NoC 파라미터를 예측하는 세 가지 신경망 모델(MLP, 조건부 확산 모델, 조건부 변분 오토인코더)을 비교한다. 15만 건 이상의 시뮬레이션 데이터를 기반으로 학습한 결과, 조건부 확산 모델이 MSE 0.463으로 가장 높은 정확도를 보였으며, 설계 탐색 시간을 몇 차례 정도 감소시켜 실용적인 NoC 공동 설계 도구로서의 가능성을 제시한다.

상세 요약

이 연구는 NoC 설계 공간이 고차원이며 비선형 상호작용이 복잡하다는 점에 주목한다. 기존의 탐색 방법은 그리드 서치나 진화 알고리즘에 의존해 시뮬레이션 비용이 급증하고, 최적 해에 도달하기까지 시간이 많이 소요된다. 이를 해결하기 위해 저자는 역방향 신경망 모델을 도입한다. 역방향 모델이란 목표 성능(예: 평균 지연시간, 최대 처리량)을 입력으로 받아 해당 성능을 만족하는 NoC 파라미터(버퍼 크기, 라우팅 알고리즘, 링크 대역폭 등)를 출력하는 구조이다. 세 가지 아키텍처는 각각 표현력과 학습 난이도에서 차이를 보인다. MLP는 전통적인 완전 연결층으로 구성돼 입력-출력 매핑을 직접 학습하지만, 고차원 입력에 대한 일반화가 제한적이다. 조건부 변분 오토인코더(CVAE)는 잠재 공간에 확률적 분포를 도입해 다중 해를 생성할 수 있지만, KL 발산 항 조정이 어려워 최적화가 불안정할 수 있다. 조건부 확산 모델은 최근 이미지 생성 분야에서 주목받는 프레임워크로, 점진적인 노이즈 추가와 역확산 과정을 통해 목표 조건에 맞는 파라미터를 샘플링한다. 논문에서는 이 모델이 학습 데이터의 복잡한 비선형 관계를 효과적으로 포착하고, 샘플링 단계에서 다양한 후보 설계를 제공함을 실험적으로 입증한다. 특히, 테스트 셋에 대한 평균 제곱 오차(MSE)가 0.463으로 다른 두 모델보다 현저히 낮았다. 또한, 모델 추론 시간은 수 밀리초 수준으로, 전통적인 시뮬레이션 기반 탐색에 비해 3~4 orders of magnitude 가량 빠른 것으로 보고된다. 이러한 결과는 NoC 설계 초기 단계에서 빠른 설계 후보를 제시하고, 이후 상세 시뮬레이션을 통해 미세 조정하는 하이브리드 워크플로우에 적합함을 시사한다.