마이크로컨트롤러 기반 뉴런 및 TinyML 성능 검증

Performance Evaluation of Neuron Operations and TinyML on Microcontrollers

본 연구에서는 마이크로컨트롤러(MCU) 환경에서 TinyML 모델의 실시간 추론 성능을 확보하기 위한 최적화 기법을 실험적으로 분석하였다. 특히, 부동소수점 연산 장치(FPU)가 없는 ESP32-S2 플랫폼을 대상으로, 부동소수점 연산 성능 한계를 평가하고 정수 연산 기반의 8비트 양자화 적용 효과를 검증하였다. 실험 결과, 정수양자화를 통해 동일한 모델 대비 약 4배의 속도 향상과 75% 이상의 메모리 절감 효과를 얻었으며, 정확도 또한 크게 손상되지 않았다. 본 연구는 제한된 MCU 환경에서도 적절한 양자화와 정수 연산 최적화를 통해 TinyML 모델의 실시간 처리가 충분히 가능함을 실증하며, 실제 IoT 응용 분야에서의 적용 가능성을 제시한다.

This study experimentally analyzes optimization techniques for securing real-time inference performance of TinyML models in a microcontroller (MCU) environment. Specifically targeting the ESP32-S2 platform without a Floating-Point Unit (FPU), we evaluated the performance limitations of floating-point operations and verified the effects of applying 8-bit integer quantization. Experimental results showed that integer quantization provided approximately 4 times faster inference speed and reduced memory usage by over 75% compared to the floating-point +model, with minimal accuracy degradation. The study demonstrates that appropriate quantization and integer arithmetic optimizations enable real-time processing of TinyML models even in constrained MCU environments, highlighting their practical applicability to IoT applications.