초록
인공지능(AI) 모델, 특히 심층 신경망(DNN)의 사용이 증가함에 따라 학습 및 추론 과정에서의 전력 소비가 급격히 증가하고 있으며, 이는 환경 문제를 야기하고 더 에너지 효율적인 알고리즘 및 하드웨어 솔루션의 필요성을 부각시키고 있다. 본 연구는 머신러닝(ML) 분야, 특히 추론 단계에서의 증가하는 에너지 소비 문제를 해결하는 데 초점을 맞추고 있다. 전력 소비량의 미세한 감소만으로도 큰 에너지 절감 효과를 가져올 수 있으며, 이는 사용자, 기업, 그리고 환경 전반에 긍정적인 영향을 미친다. 본 연구의 접근 방식은 인공 신경망(ANN) 모델의 정확도를 최대화하면서 전력 소비를 최소화하는 데 중점을 두며, 이를 위해 적합도 함수(fitness function)에 전력 소비를 고려한다. 또한, 전력 효율적인 레이어 모듈이 더 높은 확률로 선택되도록 확률적으로 모듈을 재도입하는 새로운 변이 전략을 제안한다. 더불어, 단일 학습 단계에서 두 개의 별도 모델을 동시에 학습할 수 있도록 하는 혁신적인 기법을 도입하였으며, 한 모델이 다른 모델보다 더 전력 효율적이면서도 정확도는 유사하게 유지되도록 유도한다. 실험 결과, 예측 성능에 큰 영향을 주지 않으면서도 ANN 모델의 전력 소비를 최대 29.2%까지 감소시킬 수 있음을 입증하였다.