Loading the company…
Loading the company…
㈜딥엑스
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-09 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Gyeonggi, founded in 2018. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩3.3bn — this includes subsidiaries and is not the revenue of this entity alone. It has 135 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-09-10 · latest registration 2026-08-21 · newest first
본 개시는, 인공신경망의 비트 양자화 방법을 제공한다. 이 방법은, (a) 인공신경망에서 양자화할 하나의 파라미터 또는 하나의 파라미터 그룹을 선택하는 단계; (b) 상기 선택된 파라미터 또는 파라미터 그룹에 대한 데이터 표현 크기를 비트 단위로 감소시키는 비트 양자화 단계; (c) 상기 인공신경망의 정확도가 사전 결정된 목표값을 이상인지 여부를 결정하는 단계; (d) 상기 인공신경망의 정확도가 상기 목표값 이상인 경우, 상기 (a) 단계 내지 상기 (c) 단계를 반복 실행하는 단계를 포함할 수 있다.
인공 신경망 모델 성능 평가 시스템이 개시된다. 본 개시에 ekFMS 인공 신경망 모델 성능 평가 시스템은, 제1 구성의 제1 신경 프로세서 및 상기 제1 구성과 다른 제2 구성의 제2 신경 프로세서를 포함하는 복수의 신경 프로세서, 적어도 하나의 운영 프로세서 및 상기 적어도 하나의 운영 프로세서에 사용되는 명령어를 저장하는 메모리를 포함하고, 상기 적어도 하나의 운영 프로세서는, 인공 신경망 모델, 제1 신경 프로세서 및 제2 신경 프로세서 중 적어도 하나를 선택하는 제1 프로세서 선택 정보, 및 컴파일 옵션 정보를 수신하고, 상기 컴파일 옵션에 따라, 상기 인공 신경망 모델을 컴파일함으로써, 상기 제1 프로세서 선택 정보에 의해 선택된 신경 프로세서에서 사용되는 상기 인공 신경망 모델을 처리하고, 상기 제1 프로세서 선택 정보에 의해 선택된 신경 프로세서에 의해 적어도 하나의 평가 데이터 세트를 상기 인공 신경망 모델에 적용하고, 상기 제1 프로세서 선택 정보에 의해 선택된 신경 프로세서의 성능과 관련된 적어도 하나의 제1 성능 파라미터를 생성하며, 상기 인공 신경망 모델의 복수의 레이어 중 상기 제1 프로세서 선택 정보에 의해 선택된 신경 프로세서에 의해서 처리가 불가능한 레이어 또는 처리가 불가능한 오퍼레이션을 보고할 수 있다.
본 개시는 확장 가능한 지능형 관제 서버 시스템을 제공한다. 본 시스템은 메인 보드 상의 복수의 슬롯과, 이 슬롯에 장착되어 AI 연산을 수행하는 적어도 하나의 AI 모듈, 그리고 시스템 전반을 제어하는 메인 프로세서를 포함할 수 있다. 사용자는 필요에 따라 AI 모듈의 개수를 조절하여 전체 시스템의 AI 연산 성능을 유연하게 확장할 수 있다. 각 AI 모듈은 AI 연산에 특화된 저전력 NPU를 탑재하며, 표준 폼팩터(M.2, E1.S 등)를 채택하여 경제성과 확장성을 향상할 수 있다. 이를 통해 GPU 기반 시스템의 한계인 높은 전력 소모와 비용 문제를 해결하고, 다양한 AI 애플리케이션을 효율적으로 지원할 수 있다. 지능형 관제 서버 시스템은 AI 영상 분석 기반의 스마트 팩토리, 관제, 리테일 분석 등 다양한 서비스를 제공할 수 있다.
본 개시의 예세들에 따른 함수 근사화부가 제공된다. 함수 근사화부는 미리 저장된 연산 계수(coefficient)에 따라 구간별 함수(piecewise function)를 직접 연산하도록 구성된 프로그래머블 함수 근사(PAF) 회로; 역수(Reciprocal), 제곱근의 역수(Reciprocal Square Root), 및 음지수(Negative Exponential) 함수 중 적어도 하나의 특정 함수를, 고정된 하드-와이어드(hard-wired) 연산 파이프라인을 통해 처리하도록 구성된 하나 이상의 전용 함수 회로; 및 처리하고자 하는 상기 비선형 함수의 종류에 따라 상기 PAF 회로 또는 상기 전용 함수 회로 중 하나를 선택적으로 활성화하도록 구성된 제어 로직;을 포할 수 있다.
본 개시는 확장 가능한 AI 시스템을 제공한다. 본 시스템은 메인 보드 상의 복수의 슬롯과, 이 슬롯에 장착되어 AI 연산을 수행하는 적어도 하나의 AI 모듈, 그리고 시스템 전반을 제어하는 메인 프로세서를 포함할 수 있다. 사용자는 필요에 따라 AI 모듈의 개수를 조절하여 전체 시스템의 AI 연산 성능을 유연하게 확장할 수 있다. 각 AI 모듈은 AI 연산에 특화된 저전력 NPU를 탑재하며, 표준 폼팩터(M.2, E1.S 등)를 채택하여 경제성과 확장성을 향상할 수 있다. 이를 통해 GPU 기반 시스템의 한계인 높은 전력 소모와 비용 문제를 해결하고, 다양한 AI 애플리케이션을 효율적으로 지원할 수 있다.
본 명세서의 일 개시에 따르면 시스템이 컴퓨팅 제공된다. 상기 시스템은 사용자로부터 입력 데이터를 획득하기 위한 인터페이스; 인공신경망 기반의 인공지능 모델을 컴파일한 결과를 저장하기 위한 하나 이상의 외부 메모리; 및 상기 컴파일 결과를 이용하여 상기 입력 데이터에 추론 연산을 수행함으로써 출력 데이터를 생성하는 NPU(Neural Processing Unit)를 포함할 수 있다. 상기 NPU는, 상기 NPU의 동작을 제어하고 추론 연산을 스케줄링하기 위한 컨트롤러; 상기 추론 연산을 수행하기 위한 프로세싱 코어; 및 상기 추론 연산에 필요한 인공신경망의 파라미터를 저장하기 위한 적어도 하나의 내부 메모리를 포함할 수 있다. 상기 출력 데이터에 상기 출력 데이터의 출처를 인식할 수 있게 하는 메타데이터가 추가될 수 있다. 상기 메타데이터는 상기 NPU의 하드웨어 식별 정보 또는 상기 인공지능 모델에 대한 정보를 포함할 수 있다. 상기 메타데이터는 상기 내부 메모리에 저장될 수 있다.
본 개시의 일 예시에 따르면, 시스템이 제공된다. 상기 시스템은 복수의 레이어들을 포함하는 신경망모델을 이용하여 추론을 수행하도록 설정된 복수의 이종(heterogeneous) 프로세서들과; 상기 신경망 모델을 저장하는 메모리와, 상기 신경망 모델의 각 레이어는 서로 다른 비트폭을 갖는 복수의 파라미터를 포함하고; 그리고 상기 신경망 모델의 임의 레이어에 대한 연산을 상기 복수의 이종 프로세서들 중 임의 프로세서에 할당하는 컨트롤러를 포함할 수 있다. 상기 신경망 모델의 임의 레이어 중 제1 부분에 대한 연산은 상기 복수의 이종 프로세서들 중 제1 프로세서에 할당될 수 있다. 상기 신경망 모델의 임의 레이어 중 제2 부분에 대한 연산은 상기 복수의 이종 프로세서들 중 제2 프로세서에 할당될 수 있다. 상기 제1 부분을 위한 제1 파라미터의 제1 비트폭과 상기 제2 부분을 위한 제2 파라미터의 제2 비트폭은 서로 다를 수 있다.
본 개시의 일 예시에 따르면, NPU 반도체 패키지가 제공된다. 상기 NPU 반도체 패키지는 반도체 패키지 기판; 평면 기준으로, 상기 반도체 패키지 기판의 일 측면과 제1 각도로 회전되었고, 상기 반도체 패키지 기판 상에 실장된 NPU칩; 평면 기준으로, 상기 반도체 패키지 기판의 일 측면과 제2 각도로 회전되었고, 상기 NPU칩과 인접하여 상기 반도체 패키지 기판 상에 실장된 하나 또는 복수의 SRAM(Static Random Access Memory)칩;을 포함할 수 있다. 상기 반도체 패키지 기판의 크기가 특정 폼 팩터의 크기보다 작도록 상기 제1 각도 및 제2 각도가 결정될 수 있다.
본 개시에 따르면 장치가 제공된다. 상기 장치는 제1 개의 파라미터들로 구성된 제1 생성형 신경망모델을 저장하도록 구성된 제1 용량의 제1 메모리, 및 상기 제1 메모리에 저장된 상기 제1 생성형 신경망모델을 활용하여 입력 쿼리에 대응되는 응답을 생성하도록 구성된, 제1 신경 처리 유닛을 포함하고, 상기 제1 신경 처리 유닛은 추측 디코딩을 처리하도록 컴파일 된 상기 제1 생성형 신경망모델의 제1 실행코드를 저장하도록 구성될 수 있다.
본 개시의 일 예시에 따르면, NPU 반도체 패키지가 제공된다. 상기 NPU 반도체 패키지는 반도체 패키지 기판; 평면 기준으로, 상기 반도체 패키지 기판의 일 측면과 제1 각도로 회전되었고, 상기 반도체 패키지 기판 상에 실장된 NPU칩; 평면 기준으로, 상기 반도체 패키지 기판의 일 측면과 제2 각도로 회전되었고, 상기 NPU칩과 인접하여 상기 반도체 패키지 기판 상에 실장된 하나 또는 복수의 메모리칩;을 포함할 수 있다. 상기 반도체 패키지 기판의 크기가 특정 폼 팩터의 크기보다 작도록 상기 제1 각도 및 제2 각도가 결정될 수 있다.
본 개시에 따른 프로세싱 코어를 제어하기 위한 시스템 및 방법이 제공된다. 특히, 시스템은, 적어도 하나의 텐서를 포함하는 적어도 하나의 신경망모델의 연산을 처리하도록 구성된 적어도 하나의 프로세싱 코어; 상기 적어도 하나의 텐서를 저장하도록 구성된 적어도 하나의 메모리; 상기 적어도 하나의 프로세싱 코어 및 상기 적어도 하나의 메모리와 전기적으로 연결되고, 읽기 동작 명령 또는 쓰기 동작 명령에 기초하여 적어도 하나의 텐서를 전송하도록 구성된 복수개의 버스; 및 상기 적어도 하나의 프로세싱 코어의 상기 적어도 하나의 텐서의 메모리 접근 동작에 대한 복수개의 버스 각각의 우선순위를 제어하도록 구성된 컨트롤러를 포함할 수 있다.
본 개시에 따른 신경 프로세싱 유닛은 인공신경망 모델에 포함된 활성화 함수에 따라, 제1 방법 또는 제2 방법으로 상기 활성화 함수를 실행하도록 신경 프로세싱 유닛을 제어하는 제어기; 상기 활성화 함수를 근사화하여 프로그램된 활성화 함수(Programmed Activation Function; PAF)를 실행함으로써 제1 활성화 값을 출력하는 프로그램된 활성화 함수 실행기(Programmed Activation Function Execution unit; PAFE Unit) 및 상기 제1 활성화 값을 변환하여 제2 활성화 값을 출력하는 변환기를 포함하고, 상기 제1 방법에서는 상기 PAFE Unit 만 동작하고, 상기 제2 방법에서는 상기 PAFE Unit 및 상기 변환기 모두 동작할 수 있다.
본 명세서의 일 예시에 따르면, 이동가능한 기기가 제시된다. 상기 이동가능한 기기는, 센서와; 복수의 카메라들과; 상기 복수의 카메라들로부터 이미지들을 입력받아 목표물을 검출 및 추적하는 NPU(neural processing unit)와; 그리고 상기 센서를 통하여 이동 방향을 판단하고, 상기 복수의 카메라들 중에서 상기 이동 방향에 배치된 특정 카메라의 FPS(frame per second)는 증가시키고, 다른 방향에 배치된 임의 카메라의 FPS를 저감시키는 제어부를 포함할 수 있다.
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 하나 또는 복수의 NPU(Neural Processing Unit)에 대한 정보를 클라이언트 단말에 제공하는 단계와; 복수의 컴파일 옵션에 대한 정보를 상기 클라이언트 단말에 제공하는 단계와; 상기 클라이언트 단말로부터 제1 신경망(Neural Network) 모델을 수신하는 단계와; 상기 복수의 컴파일 옵션 중에서 상기 클라이언트 단말에 의해 선택된 적어도 하나 이상의 옵션에 따라 상기 제1 신경망 모델을 컴파일하여 제2 신경망 모델을 생성하는 단계와; 그리고 상기 클라이언트 단말에 의해서 선택된 적어도 하나의 NPU를 이용하여 상기 제2 신경망 모델을 처리한 후, 그 결과를 상기 클라이언트 단말에 제공하는 단계를 포함할 수 있다.
본 개시의 일 예시에 따른 데이터 배치 가능한 신경 프로세싱 유닛 및 그 제어 방법이 제공된다. 특히, 제어 방법은, 적어도 하나의 신경망모델의 특정 레이어의 데이터들 간 의존 여부를 판단하는 단계; 상기 판단된 의존 여부를 기반으로 상기 데이터들을 저장할 메모리 뱅크를 배치하는 단계; 및 상기 데이터들 각각을 배치된 메모리 뱅크에 저장하는 단계를 포함할 수 있다.
본 개시의 일 예시에 따르면, 이종의 처리 장치 기반의 신경망모델 학습 방법 및 시스템이 제공될 수 있다. 이종의 처리 장치 기반의 신경망모델 학습 방법은 제1 처리 장치에서 학습데이터세트를 활용하여 제2 처리 장치에서 실행 가능하도록 경랑화 된 신경망모델의 가중치를 학습하는 단계 및 상기 제2 처리 장치에서 상기 경랑화된 가중치를 활용하여 평가데이터세트를 추론하는 단계를 포함할 수 있다.
본 개시에 따른 프로세싱 코어를 제어하기 위한 시스템 및 방법이 제공된다. 특히, 시스템은, 적어도 하나의 텐서를 포함하는 적어도 하나의 신경망모델의 연산을 처리하도록 구성된 적어도 하나의 프로세싱 코어; 상기 적어도 하나의 텐서를 저장하도록 구성된 적어도 하나의 메모리; 상기 적어도 하나의 프로세싱 코어 및 상기 적어도 하나의 메모리와 전기적으로 연결되고, 메모리 접근 동작 명령에 기초하여 상기 적어도 하나의 텐서를 전송하도록 구성된 버스; 및 상기 적어도 하나의 프로세싱 코어의 각 텐서 별 메모리 접근 동작에 대한 우선순위를 제어하도록 구성된 컨트롤러를 포함하도록 구성될 수 있다.
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 제1 신경망모델의 함수 형태로 코딩된 복수의 기능 또는 함수 유닛을 복수의 그래프 모듈로 변환(convert)한 단계와; 상기 복수의 그래프 모듈들 내의 하나 이상의 입력들과 하나 이상의 출력들 간의 관계를 분석하는 단계와; 상기 관계에 기초하여, 상기 복수의 그래프 모듈의 하나 이상의 입력들과 상기 하나 이상의 출력들을 서로 매핑함으로써, 상기 제1 신경망모델에 대응하는 복수의 그래프 모듈을 사용하여 일방향적 비 순환 그래프(DAG) 형태의 제2 신경망모델을 생성하는 단계와; 상기 제2 신경망모델에 포함된 복수의 레이어들 각각의 가중치 파라미터에 대응하는 각각의 마커를 추가하는 단계와; 상기 가중치 파라미터의 적어도 일부를 제거하는 프루닝 과정에 따라 상기 각각의 마커를 업데이트하는 단계를 포함할 수 있다.
본 개시의 일 예시에 따르면, RTL(Register Transfer Lavel) 코드로 구현되는 포스트 프로세싱 유닛이 제공된다. 상기 포스트 프로세싱 유닛은 객체 탐지(Object Detection)를 위한 신경망모델의 연산을 수행하는 NPU(Neural Processing Unit)를 위한 것이다. 상기 포스트 프로세싱 유닛은 상기 NPU로부터 출력되는 복수의 경계 상자 데이터들을 저장하는 복수의 입력 레지스터와; 그리고 상기 RTL 코드로 구현되고, 상기 복수의 경계 상자 데이터들 중에서 특정 조건을 만족하는 하나 이상의 경계 상자 데이터만을 출력하는 프로세싱 유닛을 포함할 수 있다.
본 개시는, 인공신경망의 비트 양자화 방법을 제공한다. 이 방법은, (a) 인공신경망에서 양자화할 하나의 파라미터 또는 하나의 파라미터 그룹을 선택하는 단계; (b) 상기 선택된 파라미터 또는 파라미터 그룹에 대한 데이터 표현 크기를 비트 단위로 감소시키는 비트 양자화 단계; (c) 상기 인공신경망의 정확도가 사전 결정된 목표값을 이상인지 여부를 결정하는 단계; (d) 상기 인공신경망의 정확도가 상기 목표값 이상인 경우, 상기 (a) 단계 내지 상기 (c) 단계를 반복 실행하는 단계를 포함할 수 있다.
본 개시의 일 예시에 따른 신경 프로세싱 유닛은 신경망모델의 연산을 수행하는 프로세싱 엘리먼트 어레이 및 프로세싱 엘리먼트 어레이로부터 출력된 데이터를 처리하는 포스트 프로세싱 유닛을 포함할 수 있다.
본 명세서의 일 예시에 따르면, 직접 회로(integrated circuit, IC)가 제공된다. 상기 IC는 복수의 PE들(processing elements)을 포함하는 신경 처리 장치(NPU)를 포함할 수 있다. 각 PE는 곱셈-누적 연산을 수행하도록 구성된 곱셈-누적 회로를 포함할 수 있다. 상기 IC는 상기 NPU에 연결되는 CPU(central processing unit); 그리고 상기 NPU와 그리고 상기 CPU에 연결되고, 상기 CPU에 의해 실행될 때, 상기 CPU로 하여금 동작을 수행하도록 하는 명령어들을 포함하는 하나 이상의 메모리 회로를 포함할 수 있다. 상기 동작은: 제1 머신 러닝 프레임워크의 요소들을 적어도 하나의 NPU 또는 CPU에서 실행 가능한 함수 또는 연산에 매핑하는 것을 나타내는 제1 매핑 정보에 따라, NPU와 호환되지 않는 제1 머신 러닝 프레임워크의 제1 신경망 모델을 NPU에 의해 실행 가능한 제1 머신 코드로 컴파일하는 단계, 상기 제1 머신 코드를 저장하는 단계, 그리고 실행을 위해 상기 제1 머신 코드를 상기 NPU로 전송하는 단계를 포함할 수 있다.
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 제1 신경망모델의 함수 형태로 코딩된 복수의 기능 또는 함수 유닛을 복수의 그래프 모듈로 변환(convert)한 단계와; 상기 복수의 그래프 모듈들 내의 하나 이상의 입력들과 하나 이상의 출력들 간의 관계를 분석하는 단계와; 상기 관계에 기초하여, 상기 복수의 그래프 모듈의 하나 이상의 입력들과 상기 하나 이상의 출력들을 서로 매핑함으로써, 상기 제1 신경망모델에 대응하는 복수의 그래프 모듈을 사용하여 일방향적 비 순환 그래프(DAG) 형태의 제2 신경망모델을 생성하는 단계와; 상기 제2 신경망모델에 포함된 복수의 그래프 모듈들에 복수의 마커를 추가하는 단계와; 상기 복수의 그래프 모듈들 각각의 입력 값과 출력 값을 상기 복수의 마커를 이용하여 수집함으로써, 교정 데이터를 생성하는 단계와; 상기 교정 데이터에 기초하여 상기 제2 신경망모델에 적용가능한 스케일 값과 오프셋 값을 결정하는 단계와; 상기 스케일 값과 상기 오프셋 값에 기초하여, 정수 포맷의 양자화된 가중치 파라미터를 포함하는 제3 신경망모델을 상기 제2 신경망모델에 기초하여 생성하는 단계와; 상기 제3 신경망모델에 포함된 복수의 레이어들 각각에 대하여, 상기 제3 신경망모델의 각 레이어의 출력 값과 상기 각 레이어에 대응되는 상기 제2 신경망모델의 레이어의 출력 값의 차이가 최소가 되...(이하생략)
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 일방향적 비 순환 그래프(DAG) 형태의 제1 신경망모델에 포함된 복수의 그래프 모듈들에 복수의 마커를 추가하는 단계와; 상기 복수의 그래프 모듈들 각각의 입력 값과 출력 값을 상기 복수의 마커를 이용하여 수집함으로써, 교정 데이터를 생성하는 단계와; 상기 교정 데이터에 기초하여 상기 제1 신경망모델에 적용가능한 스케일 값과 오프셋 값을 결정하는 단계와; 상기 스케일 값과 상기 오프셋 값에 기초하여, 정수 포맷의 양자화된 가중치 파라미터를 포함하는 제2 신경망모델을 상기 제1 신경망모델에 기초하여 생성하는 단계와; 제1 재학습 데이터에 대한 상기 제1 신경망모델의 출력 값을 획득하는 단계와; 상기 제1 신경망모델의 출력 값을 기준으로, 상기 제1 신경망모델로부터 양자화를 수행한 제2 신경망모델에 대한 양자화 인식 재학습(quantization aware retraining)을 수행하여, 상기 제2 신경망모델에 포함된 적어도 하나의 가중치 파라미터를 업데이트하는 단계를 포함할 수 있다.
본 명세서의 일 개시에 따르면, 엣지 디바이스에 포함되는 NPU(neural processing unit)가 제시된다. 상기 NPU는 적어도 하나의 내부 메모리와; 복수의 ANN(artificial neural network) 모델들을 위한 연산을 순차적으로(in sequence) 혹은 병렬적으로(in parallel) 처리하도록 설정가능한 복수의 PE(processing element)들과; 그리고 스케줄러를 포함할 수 있다. 상기 복수의 ANN 모델들 중 제1 ANN 모델은 상시 동작되고, 제2 ANN 모델은 조건적으로 구동될 수 있다. 상기 스케줄러는 상기 제1 ANN 모델을 위한 제1 연산들을 제1 그룹의 PE들에게 할당하고, 상기 제1 연산들의 추론 결과에 기초하여 조건적으로 상기 제2 ANN 모델을 위한 제2 연산들을 제2 그룹의 PE들에게 할당함으로써 상기 엣지 디바이스의 소비 전력을 저감시킬 수 있다.
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 일방향적 비 순환 그래프(DAG) 형태의 제1 신경망모델에 포함된 복수의 그래프 모듈들에 복수의 마커를 추가하는 단계와, 상기 복수의 그래프 모듈들 각각의 입력 값과 출력 값을 상기 복수의 마커를 이용하여 수집함으로써, 교정 데이터를 생성하는 단계와, 상기 교정 데이터에 기초하여 상기 제1 신경망모델에 적용가능한 스케일 값과 오프셋 값을 결정하는 단계와, 상기 스케일 값과 상기 오프셋 값에 기초하여, 정수 포맷의 양자화된 가중치 파라미터를 포함하는 제2 신경망모델을 상기 제1 신경망모델에 기초하여 생성하는 단계와, 상기 제2 신경망모델에 대하여 양자화 인식 재학습(quantization aware retraining)을 수행하여, 상기 제2 신경망모델에 포함된 적어도 하나의 파라미터를 업데이트하는 단계를 포함할 수 있다.
본 명세서의 일 개시에 따르면, 신경망 프로세싱 유닛(neural processing unit, NPU), 인공 신경망(artificial neural network, ANN) 모델을 위한 방법 그리고 인공 신경망(ANN) 구동 장치가 제시된다. 본 명세서의 일 개시에 따르면, 별도 메모리에서 인공 신경망 프로세서로 읽어오는 커널의 데이터 크기 감소 및/또는 메모리 읽기 요청 횟수 감소로 인한 전력소모 감소 및 메모리 읽기 시간 감소 효과가 있다.
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 제1 신경망모델의 함수 형태로 코딩된 복수의 기능 또는 함수 유닛을 복수의 그래프 모듈로 변환(convert)하는 단계와, 상기 복수의 그래프 모듈들 내의 하나 이상의 입력들과 하나 이상의 출력들 간의 관계를 분석하는 단계와, 상기 관계에 기초하여, 상기 복수의 그래프 모듈의 하나 이상의 입력들과 상기 하나 이상의 출력들을 서로 매핑함으로써, 상기 제1 신경망모델에 대응하는 복수의 그래프 모듈을 사용하여 일방향적 비 순환 그래프(DAG) 형태의 제2 신경망모델을 생성하는 단계와, 상기 제2 신경망모델 내의 복수의 그래프 모듈들에 복수의 마커를 추가하는 단계와, 상기 복수의 그래프 모듈들 각각의 입력 값과 출력 값을 상기 복수의 마커를 이용하여 수집함으로써, 제1 교정 데이터를 생성하는 단계와, 상기 제1 교정 데이터에 기초하여 상기 복수의 모듈들 각각에 대한 이상값(outlier) 조정을 위한 조정값(adjustment value)를 계산하는 단계와, 상기 제2 신경망모델의 각 그래프 모듈마다 상기 조정값에 기반하여 입력 파라미터 및 가중치 파라미터를 최적화하는 단계를 포함할 수 있다.
본 발명의 일 예시에 따른 자율 주행 시스템에서의 객체 인식 방법이 제공된다. 상기 자율 주행 시스템은, 차량이 외부 장치와 통신 가능하도록 연결되는 통신부; 상기 차량의 위치를 탐색하는 위치탐색부; 복수의 센서를 통해 상기 차량의 주변 환경을 감지하기 위해 사용되는 센싱 데이터를 획득하는 센서부; 상기 통신부, 상기 위치탐색부 및 상기 센서부와 동작 가능하게 연결된 제어부를 포함하되, 상기 제어부는, 상기 센서부로부터 복수의 이미지가 수신되면, 상기 복수의 이미지를 연속적으로 배열하여 복수의 배치채널을 생성하고, 제1 메모리 세트 및 제2 메모리 세트를 기반으로 상기 복수의 배치채널 각각을 나누어 순차적으로 저장하며 가중치와 계산하는 동작을 상기 복수의 배치채널이 전부 계산될 때까지 반복하여 수행하며 객체를 검출하도록 구성될 수 있다.
본 개시의 일 예시에 따른 활성화 함수 프로그래밍 방법이 제공된다. 상기 방법은 활성화 함수를 세그먼팅하기 위한 세그먼트 데이터를 생성하는 단계; 생성된 세그먼트 데이터를 이용하여 활성화 함수를 복수의 세그먼트들로 세그먼팅하는 단계; 및 복수의 세그먼트들 중 적어도 하나의 세그먼트를 프로그래머블 세그먼트로 근사화 하는 단계를 포함한다.
본 개시의 일 개시에 따르면, 영상 융합 인공신경망 모델을 위한 신경 프로세싱 유닛이 제공된다. 상기 신경 프로세싱 유닛은, 서로 상이한 해상도 및 영상 특성을 가지는 제1 영상 및 제2 영상을 입력하여, 새로운 제3 영상을 출력하도록 학습된 영상 융합 인공신경망 모델의 머신 코드를 입력받도록 구성된 제어부; 상기 영상 융합 인공신경망 모델에 대응되는 복수의 입력 신호를 수신하도록 구성된 입력 회로; 상기 영상 융합 인공신경망 모델 연산의 주 연산을 수행하도록 구성된 프로세싱 엘리먼트 어레이; 상기 영상 융합 인공신경망 모델의 특수 기능 연산을 수행하도록 구성된 특수 기능 유닛 회로; 및 상기 영상 융합 인공신경망 모델의 상기 주 연산 및/또는 상기 특수 기능 연산의 데이터를 저장하도록 구성된 온-칩 메모리; 를 포함하고, 상기 제어부는, 상기 머신-코드에 포함된 영상 융합 인공신경망 모델의 데이터 지역성 정보에 따라 상기 영상 융합 인공신경망 모델의 연산 순서가 기 설정된 순서대로 처리되도록, 상기 프로세싱 엘리먼트 어레이, 상기 특수 기능 유닛 회로 및 상기 온-칩 메모리를 제어하도록 구성되며, 상기 제3 영상의 제3 해상도는, 상기 제1 영상의 제1 해상도와 상기 제2 영상의 제2 해상도 사이의 값을 가지며, 상기 제3 영상의 제3 영상 특성은, 상기 제1 영상의 제1 영상 특성 또는 상기 제...(이하생략)
인공지능 기반의 이미지 안정화를 위한 프로세서는 적어도 하나의 프로세싱 엘리먼트, 및 적어도 하나의 프로세싱 엘리먼트에 전기적으로 연결된 적어도 하나의 메모리를 포함하고, 프로세서는 떨림 감지 데이터를 획득하고, 상기 이미지의 흔들림을 보상하기 위한 안정화 데이터를 출력하도록 구성되고, 떨림 감지 데이터는 2개 이상의 센서로부터 획득되고, 안정화 데이터는 상기 떨림 감지 데이터에 기초하여 상기 안정화 데이터를 출력하도록 훈련된 인공 신경망 모델을 이용하여 출력될 수 있다.
본 명세서의 일 개시는 장치를 제공한다. 상기 장치는 복수의 인공신경망(ANN) 모델들을 위해서 컴파일된 복수의 머신 코드들을 저장하도록 구성된 메모리; NPU(neural processing unit)을 위해서 제공되는 제1 반도체 칩으로서, 입력 특징맵과 출력 특징맵을 저장하도록 구성된 내부 메모리를 위한 제1 회로부와; 상기 제1 회로에 액세스하고 제어하도록 구성된 DMA(direct memory access)를 위한 제2 회로부와; 머신 코드, 상기 입력 특징맵 그리고 상기 출력 특징맵에 기초하여 각 ANN 모델의 연산을 처리하도록 설정된 복수의 PE(processing element)들을 위한 제3 회로부와; 그리고 상기 제1 회로부, 상기 제2 회로부 그리고 상기 제3 회로부를 제어하도록 구성된 제어부를 위한 제4 회로부를 포함하는 상기 제1 반도체 칩과; 그리고 상기 메모리 및 상기 제1 반도체 칩에 연결되어, 상기 메모리 내의 상기 머신 코드를 선택하도록 설정되는 CPU(central processing unit)를 위한 제2 반도체 칩을 포함할 수 있다.
일 예시에 따르면, 런타임 테스트 기능을 갖는 NPU에 대해 에이징 테스트(aging test)를 수행하는 방법이 제시된다. 상기 방법은: 복수의 컴포넌트를 포함하는 NPU에 대해 에이징 테스트를 수행하는 단계를 포함할 수 있다. 상기 복수의 컴포넌트는 적어도 하나의 메모리와 복수의 프로세싱 엘리먼트를 포함할 수 있다. 상기 에이징 테스트를 수행하는 단계는: 상기 NPU 내의 적어도 하나의 기능 컴포넌트가 결함이 있는지를 검증하기 위하여, 상기 NPU에 대해 스캔 테스트를 수행하는 과정과, 상기 적어도 하나의 메모리에 대하여 메모리 테스트를 수행하는 과정을 포함할 수 있다. 상기 스캔 테스트와 상기 메모리 테스트 중 적어도 하나는, 상기 에이징 테스트를 위한 스트레스를 상기 NPU에 가하도록, 반복 수행될 수 있다. 상기 에이징 테스트는 미리 결정된 횟수만큼 반복될 수 있다.
다양한 예시에 따른 전자 장치는, 압축 영상을 디코딩하는 디코더; 및 상기 디코더가 적어도 하나의 프레임을 포함하는 제1 압축 영상에 대한 디코딩을 수행하는 동안, 상기 적어도 하나의 프레임에서 제1 타겟 데이터를 탐색하는 것에 응답하여, 상기 제1 타겟 데이터를 포함하는 결과 프레임을 출력하는 신경 프로세싱 유닛(NPU);을 포함할 수 있다. 그 밖의 다양한 예시가 가능하다.
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 제1 신경망모델의 함수 형태로 코딩된 복수의 기능 또는 함수 유닛을 복수의 그래프 모듈로 변환(convert)하는 단계와, 상기 복수의 그래프 모듈들 내의 하나 이상의 입력들과 하나 이상의 출력들 간의 관계를 분석하는 단계와, 상기 관계에 기초하여, 상기 복수의 그래프 모듈의 하나 이상의 입력들과 상기 하나 이상의 출력들을 서로 매핑함으로써, 상기 제1 신경망모델에 대응하는 복수의 그래프 모듈을 사용하여 일방향적 비 순환 그래프(DAG) 형태의 제2 신경망모델을 생성하는 단계와, 상기 제2 신경망모델 내의 복수의 그래프 모듈들에 복수의 마커를 추가하는 단계와, 상기 복수의 그래프 모듈들 각각의 입력 값과 출력 값을 상기 복수의 마커를 이용하여 수집함으로써, 교정 데이터를 생성하는 단계와, 상기 교정 데이터에 기초하여 상기 제2 신경망모델에 적용가능한 스케일 값과 오프셋 값을 결정하는 단계와, 상기 제2 신경망모델의 각 레이어마다 상기 스케일 값 또는 상기 오프셋 값에 대한 최적화 후보군에 포함되는 하나 이상의 후보에 대한 양자화 시뮬레이션을 수행하여 상기 스케일 값 또는 상기 오프셋 값에 대한 최적 값을 결정하는 단계를 포함할 수 있다.
본 명세서의 일 예시는 SoC(system-on-chip)를 제공한다. 상기 SoC는 반도체(semi-conductor) 기판과; ANN(artificial neural network) 모델을 위한 연산들을 수행할 수 있도록 설정된 제1 NPU(Neural Processing Unit)을 위해, 상기 반도체 기판 상에, 배치된 제1 회로와; ANN 모델을 위한 연산들을 수행할 수 있도록 설정된 제2 NPU을 위해, 상기 반도체 기판 상에, 배치된 제2 회로를 포함할 수 있다. 상기 제1 NPU 및 제2 NPU 각각은 복수의 PE들(Processing elements)을 포함하고, 상기 복수의 PE들 각각은 가산기(adder), 곱셈기(multiplier) 그리고 누산기(accumulator)를 포함할 수 있다. 상기 SoC는 상기 반도체 기판 상에 배치되어, 하나 또는 복수의 클럭 신호들을 출력하도록 설정된 클럭 신호 공급 회로(clock signal supply circuit)를 또한 포함할 수 있다. 상기 하나 또는 복수의 클럭 신호들 중에서 제1 클럭 신호는 상기 제1 NPU에 적용되고, 상기 하나 또는 복수의 클럭 신호들 중에서 제2 클럭 신호는 상기 제2 NPU에 적용될 수 있다. 상기 제1 및 제2 클럭 신호들 중 적어도 하나의 클럭 신호는 원(original) 클럭 신호의 위상에 기초하...(이하생략)
본 개시의 일 예시는 신경 프로세싱 유닛을 제공한다. 상기 신경 프로세싱 유닛은 ANN(artificial neural network) 모델을 위한 연산들을 수행할 수 있도록 설정되고, 복수의 프로세싱 엘리먼트 (PE)를 포함하는 복수의 PE 그룹들을 위해 배치된, 제1 회로와; 클럭 소스로부터의 원 클럭 신호를 기반으로, 위상이 서로 다른 복수의 클럭 신호를 분할 생성하여 상기 복수의 PE 그룹들에게 제공하는 클럭 분배기를 위하여 배치된, 제2 회로를 포함할 수 있다. 상기 복수의 클럭 신호들 중 제1 클럭 신호는 상기 복수의 PE 그룹들 중에서 제1 PE 그룹에게 제공되고, 상기 복수의 클럭 신호들 중 제2 클럭 신호는 상기 복수의 PE 그룹들 중에서 제2 PE 그룹에게 제공될 수 있다.
본 개시의 일 예시는 방법을 제시한다. 상기 방법은: 제1 신경망모델의 함수 형태로 코딩된 복수의 기능 또는 함수 유닛을 복수의 그래프 모듈로 변환(convert)하는 단계와; 상기 복수의 그래프 모듈들 내의 하나 이상의 입력들과 하나 이상의 출력들 간에 관계를 분석하는 단계와; 상기 관계에 기초하여, 상기 복수의 그래프 모듈의 상기 하나 이상의 입력들과 상기 하나 이상의 출력들을 서로 매핑함으로써, 상기 제1 신경망모델에 대응하는 복수의 그래프 모듈을 사용하여 일방향적 비 순환 그래프(DAG) 형태의 제2 신경망모델을 생성하는 단계와; 상기 제2 신경망모델 내의 복수의 그래프 모듈들에 복수의 마커를 추가하는 단계와; 상기 복수의 그래프 모듈들 각각의 입력 값과 출력값을 상기 복수의 마커를 이용하여 수집함으로써, 교정 데이터를 생성하는 단계와; 그리고 상기 교정 데이터에 기초하여 상기 제2 신경망모델에 적용가능한 스케일 값과 오프셋 값을 결정하는 단계를 포함할 수 있다.
본 개시는 인공 신경망 모델 성능 평가 방법 및 평가 시스템에 관한 것으로서, 사용자가 성능 평가를 진행할 적어도 하나의 신경 처리 장치(Neural Processing Unit; NPU)의 종류 및 개수를 선택하는 단계, 선택된 적어도 하나의 NPU가 처리할 인공 신경망 모델(Artificial Neural Network; ANN)의 복수의 컴파일 옵션 중 적어도 하나를 선택하는 단계, 선택된 적어도 하나의 NPU가 처리할 ANN 및 적어도 하나의 특정 평가데이터세트를 업로드하는 단계, 선택된 복수의 컴파일 옵션 중 적어도 하나에 따라 상기 ANN의 컴파일하여 처리하는 단계 및 선택된 NPU가 ANN 처리하여 성능 평가를 보고하는 단계를 포함하도록 구성된다.
본 개시는, 인공신경망용 이미지 신호 프로세서의 제어 방법으로서, 이미지를 획득하는 단계, 상기 이미지에 대응되는 적어도 하나의 이미지 특성 데이터를 결정하는 단계 및 상기 적어도 하나의 이미지 특성 데이터 및 인공신경망 모델의 추론 정확도 프로파일을 기초로 상기 인공신경망 모델의 추론 정확도를 향상시키기 위한 이미지 보정 파라미터(SFR preset)를 결정하는 단계를 포함하도록 구성될 수 있다.
본 개시는 인공 신경망 모델 성능 평가 방법 및 평가 시스템에 관한 것으로서, 사용자가 성능 평가를 진행할 적어도 하나의 신경 처리 장치(Neural Processing Unit; NPU)의 종류 및 개수를 선택하는 단계, 선택된 적어도 하나의 NPU가 처리할 인공 신경망 모델(Artificial Neural Network; ANN)의 복수의 컴파일 옵션 중 적어도 하나를 선택하는 단계, 선택된 적어도 하나의 NPU가 처리할 ANN 및 적어도 하나의 특정 평가데이터세트를 업로드하는 단계, 선택된 복수의 컴파일 옵션 중 적어도 하나에 따라 상기 ANN의 컴파일하여 처리하는 단계 및 선택된 NPU가 ANN 처리하여 성능 평가를 보고하는 단계를 포함하도록 구성된다.
본 개시의 일 예시에 따르면, 신경 프로세싱 유닛에 의해 동작하는 특징맵 재사용 방법은 적어도 하나의 인공신경망모델의 제1 레이어에서, 레이어에서, 다음 레이어의 입력특징맵, 출력특징맵, 및 가중치 각각의 크기에 기초하여 크기 비용(Space Cost)을 계산하는 단계, 상기 제1 레이어 연산 시의 캐슁 가치(Caching value)를 연산하는 단계, 상기 크기 비용 및 상기 캐슁 가치에 기초하여, 상기 제1 레이어 연산 시의 캐슁 이득(Caching profit)을 결정하는 단계, 캐슁 후보 엔트리 중 상기 캐슁 이득이 최대인 캐슁 엔트리를 결정하는 단계, 및 상기 캐슁 엔트리를 가변 메모리에 저장하는 단계를 포함한다.
본 발명에 따른 활성화 함수 변환 프로그램 유닛 및 방법은 인공신경망의 트레이닝을 통하여, 타겟 활성화 함수를 프로그램된 활성화 함수로 근사화하도록 구성될 수 있다. 이에, NPU의 프로그램된 활성화 함수 실행 유닛의 연산 속도 및 소비 전력등은 최적화될 수 있는 효과가 있다.
본 명세서의 개시에 따르면 인공신경망 메모리 컨트롤러가 제공된다. 상기 메모리 시스템은 인공신경망모델의 인공신경망 데이터 지역성 정보에 기초하여, 상기 인공신경망모델의 데이터가 저장된 메모리가 리드-버스트 모드로 동작하도록, 상기 메모리에 저장된 상기 인공신경망모델의 데이터의 재배열을 제어하도록 구성된, 인공신경망 메모리 제어부를 포함할 수 있다.
본 개시의 일 예시는 신경 프로세싱 유닛을 제공한다. 신경 프로세싱 유닛은 ANN(artificial neural network) 모델을 위한 연산들을 수행할 수 있도록 설정되고, 복수의 프로세싱 엘리먼트 (PE)를 포함하는 복수의 PE 그룹들을 위해 배치된, 제1 회로; 상기 제1 회로에 복수의 클럭 신호들을 출력하도록 배치된, 제2 회로; 적어도 상기 제1 회로의 피크 파워와 평균 파워의 비율을 측정하도록 설정된, 3 회로; 및 상기 제3 회로에서 측정된 피크 파워와 평균 파워의 비율에 기초하여, 상기 제2 회로의 상기 복수의 클럭 신호들의 적어도 하나의 위상을 동적으로 교정(calibrate)하도록 배치된, 제4 회로;를 포함할 수 있다.
본 개시의 일 개시는 시스템을 제시한다. 상기 시스템은 ANN(artificial neural network) 모델들 중 적어도 하나의 ANN을 위한 연산을 수행할 수 있는 복수의 PE(processing element)를 포함하는 NPU(neural processing unit)와; 그리고 스위칭 회로를 포함할 수 있다. 상기 스위칭 회로는: 서로 다른 주파수를 갖는 복수의 클럭 신호들 중 하나의 클럭 신호를 선택하고, 그리고 상기 선택된 하나의 클럭 신호를 상기 NPU에 공급할 수 있다. 상기 하나의 클럭 신호는 상기 적어도 하나의 ANN 모델 내의 복수의 레이어들 중 주어진 레이어에 대한 상기 PE들의 이용률에 기초하여 선택될 수 있다.
신경 프로세싱 유닛이 제공된다. 신경 프로세싱 유닛은 복수의 제1 픽셀 데이터를 포함하는 제1 데이터의 해상도를 확장시켜 복수의 제2 픽셀 데이터를 포함하는 제2 데이터를 생성하기 위하여, 쌍선형 보간법을 수행하도록 구성된 복수의 PE(Processing Element)를 포함할 수 있다.
본 명세서의 일 개시는 SoC(system-on-chip)를 제공한다. 상기 SoC는 반도체(semi-conductor) 기판과; ANN(artificial neural network) 모델을 위한 연산들을 수행할 수 있도록 설정된 제1 NPU(Neural Processing Unit)을 위해 상기 반도체 기판 상에 배치된 제1 회로와; ANN 모델을 위한 연산들을 수행할 수 있도록 설정된 제2 NPU을 위해 상기 반도체 기판 상에 배치된 제2 회로와; 그리고 상기 반도체 기판 상에 배치되어 복수의 클럭 신호 중 적어도 하나를 선택적으로 출력하도록 하기 위한 제어 신호를 생성하는 제3 회로를 포함할 수 있다. 상기 제1 NPU 및 제2 NPU 각각은 복수의 PE들(Processing elements)을 포함하고, 상기 복수의 PE들 각각은 가산기(adder), 곱셈기(multiplier) 그리고 누산기(accumulator)를 포함할 수 있다. 상기 복수의 클럭 신호들은 원(original) 클럭 소스 또는 상기 원 클럭 소스에 비하여 위상 지연된 하나 또는 복수의 위상 지연 클럭 신호를 포함할 수 있다. 상기 제어 신호에 따라 상기 복수의 클럭 신호들 중에서 제1 클럭 신호는 상기 제1 NPU에 적용될 수 있다. 상기 제어 신호에 따라 상기 복수의 클럭 신호들 중에서 제2 클럭 신호는 상기 제2 ...(이하생략)
본 개시의 일 예시에 따르면, 인공신경망 모델의 연산을 분산 처리하는 시스템이 제공된다. 상기 시스템은 상기 인공신경망 모델 중 제1 레이어 구간의 연산을 각각 수행하여 복수의 출력 특징맵을 생성하는 다수의 제1 연산 장치; 및 상기 다수의 제1 연산 장치로부터 수신된 상기 복수의 출력 특징맵을 이용하여 상기 인공신경망 모델 중 제2 레이어 구간의 연산을 수행하는 제2 연산 장치를 포함할 수 있다. 상기 제1 연산 장치 및 상기 제2 연산 장치의 연산 스케줄링은, 컴파일러(compiler)가 상기 인공신경망 모델을 레이어(layer) 단위 또는 타일(tile) 단위로 분할하여 생성한 코드에 기초하여 수행될 수 있다. 상기 제2 연산 장치는, 상기 복수의 출력 특징맵과 상기 제2 레이어 구간의 연산을 위한 가중치(weight)를 저장하는 메모리; 및 상기 메모리로부터 상기 복수의 출력 특징맵 및 상기 가중치를 읽어와 상기 제2 레이어 구간의 연산을 수행하는 신경 프로세싱 유닛(Neural Processing Unit, NPU)을 포함할 수 있다. 상기 제2 연산 장치의 신경 프로세싱 유닛은, 상기 다수의 제1 연산 장치로부터 수신된 상기 복수의 출력 특징맵을 각각 처리할 때 상기 메모리에 저장된 동일한 가중치를 재사용(reuse)하여 연산을 수행할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 115 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 1.0 | 3.3 |
| Cost of sales | 0.7 | 1.7 |
| Gross profit (loss) | 0.3 | 1.6 |
| Selling, general and administrative expenses | 26.1 | 21.7 |
| Operating income (loss) | (25.8) | (20.1) |
| Non-operating income | 2.3 | 1.6 |
| Other gains | 0.0 | 0.0 |
| Finance income | 2.3 | 1.6 |
| Non-operating expenses | 11.2 | 40.2 |
| Other losses | 0.0 | 0.0 |
| Finance costs | 11.2 | 40.2 |
| Profit (loss) before tax | (35.0) | (58.9) |
| Net income (loss) | (35.0) | (58.9) |
Revenue ₩3.3bn, up 224.0% YoY.
Operating margin -604.6% (prior -2512.2%).
Net income ₩-58.9bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-08