감정인식 등 스마트폰의 인공지능 향상에 크게 기여할 듯

사진은 케이던스의 이미징·컴퓨터 비전 및 인공신경망(Neural Network) 위한 단일독립형 DSP IP 이미지
사진은 케이던스의 이미징·컴퓨터 비전 및 인공신경망(Neural Network) 위한 단일독립형 DSP IP 이미지

인공지능(AI)이 게임에서 인간을 이길 정도로 똑똑해 졌으며, 백만명중에서 범법자를 3초만에 찾아내고 AI를 이용하여 질병 및 기타 건강 상태를 예측하고, 소셜 네트워크에서는 자살하려는 의도를 가진 사람을 찾아내기 시작했다. 또한 음악을 작곡하고 영화 대본을 작성하는 등 더 빠르고 똑똑한 인공지능을 위한 기반을 마련하고 여러 분야에서 급속한 진전을 보였지만 여전히 갈 길은 멀다.

지난해 구글의 새로운 Pixel 2 는 10nm(나노미터) 핀펫(FinFET) 기술을 적용해 제조된 최초의 상용 시스템온칩(SoC)인 퀼컴 스냅드래835(Qualcomm®Snapdragon™ 835) 모바일 플랫폼에 의해 구동되며, 이전 세대 플래그쉽 프로세서에 비해 전력 사용량을 최대 25 % 줄이며, 최신 세대의 Qualcomm® Adreno ™ 540 GPU를 사용하여 이전 세대에 비해 최고 25 % 빠른 그래픽 렌더링을 제공하는 등 무엇보다도 가장 큰 발전 중 하나는 클라우드에서 기계 학습 모델을 실행하는 것을 휴대 전화로 전환하는 것이다.

사진은 작년 12월에 발표된 퀼컴의 스냅드래곤 845 모바일 플랫폼으로 이전 시스템온칩(SoC) 대비 3배 이상 향상된 AI 성능으로 쉽고 간편한 사진·영상촬영, VR게임 향상 및 자연스러운 음성인식 기능을 제공, 모바일 기기를 최적의 개인 비서로 만들어 준다.
사진은 작년 12월에 발표된 퀼컴의 스냅드래곤 845 모바일 플랫폼으로 이전 시스템온칩(SoC) 대비 3배 이상 향상된 AI 성능으로 쉽고 간편한 사진·영상촬영, VR게임 향상 및 자연스러운 음성인식 기능을 제공, 모바일 기기를 최적의 개인 비서로 만들어 준다.

구글뿐만 아니라 페이스북, 애플 등도 자사의 프레임 워크의 모바일 버전을 출시함으로써 개발자가 자신의 앱에서 AI 기반 작업 속도를 높일 수 있었다. 칩 제조사들은 또한 기계 학습을 위한 모바일 프로세서를 설계하기 위해 급히 달려가고 있다. 2017년 화웨이, 애플, 퀼컴 등은 모두 최신 칩셋을 조정하여 전용 신경코어를 제공하고 AI 관련 작업 부하를 보다 잘 관리했다. 하지만 iPhone X의 Face ID 와 화웨이 메이트 10 프로(Huawei Mate 10 Pro)의 마이크로소프트 트랜스레이터(Microsoft Translator)와 같은 몇 가지 예를 제외하면, 우리는 인공지능을 위해 조정된 칩의 이점에 대한 구체적인 예는 아직 기대에 따르지는 못하는 것이 현실이다.

또한 인공신경망(Neural Network)이 더 심층적이고 복잡해짐에 따라 요구하는 사항은 다양해지면서 급속히 증가하고 있다. 또한 뉴럴 네트워크 아키텍처(Neural Network Architecture)는 새로운 네트워크가 끊임없이 개발되고 새로운 응용 프로그램과 시장이 계속 출현하면서 수시로 변하고 있다. 이에 저전력으로 고도의 프로그래밍이 가능한 고성능 범용 신경망 프로세싱 솔루션의 필요성도 더욱 커지고 있다.

사진은 KAIST 전기및전자공학과 유회준 교수(사진:KAIST)
사진은 KAIST 전기및전자공학과 유회준 교수(사진:KAIST)

이런 가운데 국내 KAIST(총장 신성철) 전기 및 전자공학과 유회준 교수 연구팀이 국내 반도체(팹리스) 스타트업인 유엑스팩토리(대표 박준영)와 공동으로 가변 인공신경망(Artificial Neural Network) 등 기술을 적용하여 딥러닝을 보다 효율적으로 처리하는 인공지능 칩을 개발 2월 13일 미국 샌프란시스코에서 반도체 회로 및 시스템온칩(system-on-a-chip)의 발전을 위한 세계적인 포럼 중의 하나인 국제고체회로설계학회(International Solid-State Circuits Conference, ISSCC)에서 발표하여 많은 주목을 받았다.

연구진의 UNPU 칩으로 65nm 공정을 사용하여 설계 및 제작되었으며 16mm2 의 칩 크기를 갖는다. 또한 1.1V 전압, 200MHz 동작 주파수에서 297mW의 전력 소모로 동작하며, 이는 0.63V, 5MHz까지 작아져 3.2mW의 낮은 전력 소모로 동작하는 것이 가능하며, UNPU는 1비트 정밀도를 사용하였을 때 1W 전력 소모 당 50.6 테라 연산을 수행 할 수 있는 전력 효율을 가지며, 16비트 정밀도를 사용하여 계산하였을 때는 1W 당 3.08 테라 연산을 수행 할 수 있다.
연구진의 UNPU 칩으로 65nm 공정을 사용하여 설계 및 제작되었으며 16mm2 의 칩 크기를 갖는다. 또한 1.1V 전압, 200MHz 동작 주파수에서 297mW의 전력 소모로 동작하며, 이는 0.63V, 5MHz까지 작아져 3.2mW의 낮은 전력 소모로 동작하는 것이 가능하며, UNPU는 1비트 정밀도를 사용하였을 때 1W 전력 소모 당 50.6 테라 연산을 수행 할 수 있는 전력 효율을 가지며, 16비트 정밀도를 사용하여 계산하였을 때는 1W 당 3.08 테라 연산을 수행 할 수 있다.

모바일에서 인공지능을 구현하기 위해서는 고속 연산을 저전력으로 처리해야 하지만, 현재는 연산 속도가 느리고 전력 소모가 큰 소프트웨어 기술을 활용하고 있어, 인공지능 가속 프로세서 개발이 필수적이다. 연구팀은 하나의 칩으로 회선 신경망(Convolutional Neural Network, CNN)과 재귀 신경망(Recurrent Neural Network, RNN)을 동시에 처리할 수 있고, 인식 대상에 따라 에너지효율과 정확도를 다르게 설정할 수 있는 인공지능 칩(Unified Neural Network Processing Unit, UNPU)을 개발함으로써 휴대 장치에서 인공지능 칩의 활용 범위를 넓힌 것이다.

아울러 연구팀은 스마트폰 카메라를 통해 사람의 얼굴 표정을 인식하여 행복, 슬픔, 놀람, 공포, 무표정 등 7가지의 감정 상태를 자동으로 인식하고 스마트폰 상에 실시간으로 표시하는 감정인식 시스템도 개발했으며, 유회준 교수는 “이번 연구는 모바일에서 인공지능을 구현하기 위해 저전력으로 가속하는 반도체를 개발했다는 점에서 의미가 크며, 향후 물체인식, 감정인식, 동작인식, 자동 번역 등 다양하게 응용될 것으로 기대된다.”라고 연구의 의의를 설명했다.

연구진의 감정인식 시스템을 통해 UNPU 칩의 성능을 확인해 볼 수 있다. 사람의 얼굴 표정을 보고 행복, 놀람, 공포, 중립 등 7가지의 감정 상태를 자동으로 인식하여 스마트폰 상에 표시해 준다.
연구진의 감정인식 시스템을 통해 UNPU 칩의 성능을 확인해 볼 수 있다. 사람의 얼굴 표정을 보고 행복, 놀람, 공포, 중립 등 7가지의 감정 상태를 자동으로 인식하여 스마트폰 상에 표시해 준다.

특히 연구팀은 비트 시리얼(Bit-serial) 기반의 연산을 수행하여 완전 가변한 (1bit~16bit) 인공신경망 무게 정밀도 (Weight Precision)을 지원하는 반도체 칩을 개발하였으며, 테이블 참조 기반의 기법을 세계 최초로 개발하여 회로의 에너지 소모를 1bit 기준 53% 가량 감소시켰으며, 분리된 코어 구조를 갖는 기존 반도체 칩과 달리 UNPU는 통합된 하나의 프로세서 코어 구조로 재설계되어 회귀 신경망(CNN), 재귀 신경망(RNN) 연산시 최대성능이 세계 최고 수준 반도체 칩 대비 각각 1.15배, 13.8배 증가 시켰다고 밝혔다.

기본적으로 AI는 수년간 개선되어 왔지만 대부분 클라우드 기반으로 2018 년은 무엇보다도 인공지능을 주머니에 넣을 준비가 되어가고 있다. 휴대 기기에서 모델을 실행할 수 있기 때문에 AI가 더 빨라질뿐만 아니라 데이터를 클라우드로 전송하는 대신 휴대 전화에 저장하므로 개인 정보 보호에 유리하다. 이처럼 업계에서 번역, 이미지 인식, 개인화 등의 기능을 향상시키기 위해 스마트폰 및 기타 디바이스를 스스로 학습할 수 있는 토대를 마련하고 있다는 것은 분명하다.

이번 개발된 연구팀의 인공지능 칩(UNPU)을 사용하면 딥러닝 알고리즘을 저전력, 고성능으로 구현하는 것이 가능하여 스마트폰 등에서 실시간 인공지능 실현이 가능해질 것으로 기대되며, 기존 클라우드 서버에서 이루어지는 인공지능 알고리즘을 스마트폰 등 휴대용 디바이스에서도 연산이 가능하게 되며, 사용자에 최적화된 인공지능 구현이 가능하게 될 것으로 기대된다.

 

저작권자 © 인공지능신문 무단전재 및 재배포 금지