최근 발표된 연구에 따르면, 스마트폰, 웨어러블 기기, 드론과 같은 엣지(edge) 기기에서 인공지능(AI) 모델을 직접 실행하는 새로운 방식인 RF-CNN(Radio-Frequency Convolutional Neural Networks)이 소개되었습니다. 이 기술은 기존 무선 통신 하드웨어의 주파수 믹서(frequency mixer)를 활용하여 AI 연산, 특히 컨볼루션(convolution) 연산을 수행함으로써, 엣지 기기의 컴퓨팅 제약을 극복하고 전력 효율을 획기적으로 개선하는 가능성을 제시합니다.
RF-CNN은 무선 통신 칩에 내장된 주파수 믹서가 시간 영역에서 신호를 곱하고 주파수 영역에서 컨볼루션을 수행하는 특성을 활용합니다. 다채널 컨볼루션(multi-channel convolution) 연산을 주파수 톤(frequency tone)에 매핑하여 수동 믹서(passive mixer)가 한 번에 처리하도록 설계되었습니다. 연구팀은 RF-CNN이 최대 2,640만 개의 파라미터(parameter)와 9개 레이어(layer)를 가진 심층 컨볼루션 신경망(deep CNN)을 무선 신호 및 이미지 분류, 제어 가능한 이미지 생성 등 다양한 작업에서 거의 완전한 정밀도(full-precision) 성능으로 실행할 수 있음을 실험적으로 입증했습니다. 특히, 곱셈-누산(multiply-accumulate) 연산당 0.72 펨토줄(femtojoule)이라는 극도로 낮은 에너지를 소비하며, 이는 기존 디지털 프로세서 대비 두 자릿수(100배 이상) 낮은 수준입니다. 이는 가중치(weight)가 무선으로 전달되고 아날로그 하드웨어가 통신과 공유되기 때문에, 엣지 기기는 데이터 준비 및 판독에만 에너지를 소비하기 때문입니다.
이러한 결과는 이미 수십억 개의 기기를 연결하고 있는 기존 무선 인프라가 효율적이고 최첨단 AI 추론(inference) 기능을 제공할 수 있음을 시사합니다. 엣지 AI는 저지연(low latency), 광범위한 확장성(pervasive scalability), 데이터 프라이버시(data privacy) 등의 장점을 제공하지만, 기기의 크기, 무게, 전력, 비용(SWaP-C) 제약으로 인해 고성능 AI 모델을 구동하기 어려웠습니다. RF-CNN은 별도의 AI 가속기(accelerator) 하드웨어를 추가하지 않고도 이 문제를 해결할 수 있는 혁신적인 대안을 제시하며, 향후 스마트폰, IoT 기기 등 다양한 엣지 디바이스에서 AI 기능이 더욱 보편화되고 고도화되는 데 중요한 역할을 할 것으로 기대됩니다.