Energy-Aware Pruning for Sustainable Learning in AIoT

에너지 수집형 AIoT 디바이스는 외부 전원 없이 태양광 등 주변 환경으로부터 에너지를 확보하며 작동하므로, 수집된 에너지의 양과 소비 간의 불균형이 발생할 수 있다. 이러한 불균형은 디바이스의 안정적인 동작을 저해하고, 학습성능 저하나 추론 서비스 중단과 같은 심각한 문제로 이어질 수 있다. 예를 들어, 에너지가 부족할 경우 학습이나 추론 도중 정전이 발생할 수 있고, 반대로 과도한 에너지는 활용되지 못한 채 낭비되어 전체 시스템의 효율성을 저해한다. 본 연구에서는 이 같은 문제를 해결하기 위해 디바이스의 잔여 에너지 수준을 실시간으로 평가하고, 이에 따라 학습모델의 경량화 수준을 동적으로 조절하는 에너지 적응형 프루닝 기법을 제안한다. 제안 기법은 네트워크 슬리밍 기반의 채널 프루닝 기술을 활용하여, 에너지가 부족한 경우에는 경량 모델을 사용해 소비를 줄이고, 에너지가 충분할 때는 원본 모델을 사용하여 정확도를 높인다. 이를 통해 에너지 상태에 따른 자율적 모델 선택을 가능하게 하고, 학습 성능 저하 없이 정전 위험을 줄이며 추론 서비스의 안정성과 연합학습의 품질을 향상시킨다.