자원 제약이 심한 마이크로컨트롤러(MCU) 환경에서 인공지능(AI) 모델을 효율적으로 설계하고 배포하는 것은 타이니ML(TinyML) 분야의 핵심 과제입니다. 최근 공개된 'ENAS' 프레임워크는 GPU 없이도 신경망 아키텍처 탐색(NAS, Neural Architecture Search)을 수행하여, 이러한 제약을 극복할 수 있는 새로운 가능성을 제시합니다. 이는 개발자들이 고가의 GPU 장비 없이도 최적화된 AI 모델을 타이니ML 기기에 적용할 수 있도록 돕습니다.
ENAS는 정적 타당성 검사, 셀 기반 탐색 공간, 그리고 하이브리드 탐색 전략(무작위 → 상위 K개 → 변이)을 결합하여 효율성을 극대화합니다. 특히, 표준 블록, 깊이별 분리 가능(depthwise-separable) 블록, 병목(bottleneck) 블록 등 다양한 신경망 구성 요소를 지원하며, 교차 실행 캐싱(cross-run caching)을 통해 탐색 시간을 단축합니다. 연구팀은 Visual Wake Words와 Melanoma Cancer라는 두 가지 타이니ML 벤치마크에서 ENAS를 평가했으며, 20KB에서 1MB SRAM 범위를 가진 8개 마이크로컨트롤러와 9가지 입력 이미지 해상도에 걸쳐 성능을 측정했습니다. 그 결과, ENAS는 Visual Wake Words 데이터셋에서 2.41배, Melanoma Cancer 데이터셋에서 1.70배 빠른 탐색 속도를 달성하며, 기존 NanoNAS 프레임워크와 유사한 테스트 정확도를 유지했습니다. 또한, ENAS가 선택한 모델은 마이크로컨트롤러 배포의 핵심 제약인 피크 활성화 RAM(peak activation RAM) 사용량을 현저히 낮추는 것으로 나타났습니다.
이러한 ENAS의 등장은 타이니ML 분야에 중요한 의미를 가집니다. GPU 없이도 효율적인 NAS가 가능해지면서, 소규모 개발팀이나 1인 개발자도 AI 모델 최적화에 대한 접근성이 크게 향상될 것입니다. 이는 타이니ML 기술의 확산을 가속화하고, 스마트 센서, 웨어러블 기기, 사물 인터넷(IoT) 장치 등 다양한 저전력 기기에 AI를 적용하는 데 필요한 비용과 시간을 절감할 수 있게 합니다. 궁극적으로는 AI를 더 많은 곳에, 더 쉽게 통합할 수 있는 길을 열어줄 것으로 기대됩니다.