인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
Large language model (LLM) 기반 생성형 인공지능은 인공지능을 넘어 일상 전반에 큰 영향을 미치고 있다. 하지만 LLM의 확산을 위해서는 추론 효율의 개선이 필수적이다. 특히 셀프 어텐션은 높은 메모리 대역폭을 요구해 메모리 비용과 전력 소모 문제가 크다. 고비용의 HBM에 의존하는 동종 메모리 시스템은 확장성에서 한계가 있으며 이를 대체할 수 있는 효율적인 메모리 활용 전략이 요구된다. 본 논문은 이를 해결하기 위해 트랜스포머 기반 LLM의 핵심 연산인 셀프 어텐션의 데이터 흐름에 주목하여 HBM과 저비용의 DRAM을 결합한 이종 메모리 시스템을 활용해 비용 효율적인 셀프 어텐션 연산을 제안한다. 이를 셀프 어텐션에 적용한 결과, HBM 단독 구성 대비 유사한 성능을 유지하면서도 메모리 비용을 절감할 수 있었다. 또한, 생성형 언어 모델의 KV 캐시 기반 auto-regressive 어텐션 구조에도 확장 적용해 다양한 추론 환경에서의 활용 가능성을 확인했다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-093878560
