II. 기술의 개념 및 내용 딥러닝(MLP, CNN) 가속기에 물리채널 기반 취약점 대응기술을 적용한 고신뢰/저비용 추론 엔진 개발 딥러닝 가속기 및 취약점 대응기술의 하드웨어 구현에 최적화 설계기법 확보 * 본 내용은 최웅 조교수(☎ 02-2077-7731, woongchoi@sm.ac.kr)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다. ***정보통신기획평가원은 현재 개발 진행 및 완료 예정인 ICT R&D 성과 결과물을 과제 종료 이전에 공개하는 “ICT R&D 사 업화를 위한 기술예고”를 2014년부터 실시하고 있는 바, 본 칼럼에서는 이를 통해 공개한 결과물의 기술이전, 사업화 등 기술 활용도 제고를 위해 매주 1~2건의 관련 기술을 소개함 MLP, CNN 기반 고신뢰 딥러닝 가속기 Chapter 04 개발목표시기 2024. 12. 기술성숙도 (TRL) 개발 전 개발 후 3 6 결과물 형태 HW-System, Patent 검증방법 자체평가 및 공인시험인증 Keywords 물리채널, 고신뢰시스템, 딥러닝, 하드웨어 가속기, Physical Channel, High Reliable System, Deep Learning, H/W Accelerator 외부기술요소 100% 개발기술 권리성 특허, HW-IP, 설계도, 기타(기술) 등 주간기술동향 2021. 11. 24. 38 www.iitp.kr III. 국내외 기술 동향 및 경쟁력 1. 기술의 특성 및 성능 물리채널 기반의 취약점 대응기술에 대해 하드웨어 비용을 최소화하여 딥러닝 가속기에 적용(고신뢰/저비용 MLP, CNN 추론 엔진) 딥러닝 가속기 연산과 취약점 대응기술에 대한 하드웨어 최적화 2. 경쟁기술/대체기술 동향 및 현황 물리 채널 기반의 취약점 대응 기법은 상대적으로 단순한 하드웨어에 연구된 바 있으며, 상당한 하드웨어 비용을 필요로 함 엄청난 양의 데이터로 연산을 수행하는 딥러닝 가속기에 대한 대응기술의 탑재는 세계적 으로도 연구 초기 단계에 있으며 경쟁기술/대체기술이 전무함