💬 NLP

SAMpLE: A SystemC-AMS Machine LEarning-based Framework for Virtual Prototyping

이 논문은 플러그 앤 플레이 방식의 Timed Dataflow 인터페이스와 ONNX 형식을 통해 가상 프로토타입으로 머신러닝 모델을 통합하는 방식을 표준화함으로써, 임베디드 시스템 시뮬레이션의 재현성, 재사용성 및 비교 가능성을 높이기 위해 네이티브 C++ 학습 및 오프라인 실행 백엔드를 모두 제공하는 오픈 소스 SystemC-AMS 프레임워크인 SAMpLE을 소개한다.

원저자: Andrei Mihai Albu, Sara Vinco

게시일 2026-08-27

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Andrei Mihai Albu, Sara Vinco

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

스마트 온도계 내부의 아주 작은 컴퓨터부터 현대적인 전력망의 거대한 제어 시스템에 이르기까지, 복잡한 기계를 설계하는 세계에서 엔지니어들은 한 가지 지속적인 문제에 직면합니다. 바로 시스템을 실제로 구축하기 전에 그것이 어떻게 작동할지 예측하는 방법입니다. 전통적인 방식은 모든 물리 법칙을 설명하는 수학 공식에 의존하지만, 이러한 공식은 시스템이 너무 복잡해지거나, 너무 낡거나, 혹은 예측 불가능한 인간의 습관에 의해 영향을 받을 때 종종 무너집니다. 이 간극을 메우기 위해 설계자들은 다른 종류의 도구인 머신러닝으로 눈을 돌렸습니다. 머신러닝은 엄격한 규칙을 따르는 대신 데이터로부터 패턴을 학습하는 컴퓨터 프로그램입니다. 이들은 날씨에 따라 집에서 에너지를 얼마나 사용할지 추측하거나, 센서가 언제 고장 날지 예측할 수 있습니다. 그러나 이러한 학습 프로그램을 엔지니어들이 시스템을 설계할 때 사용하는 시뮬레이션 소프트웨어에 넣는 작업은 지금까지 서툴고 투박했습니다. 대개 서로 다른 소프트웨어 도구 사이에 맞춤형 브릿지(bridge)를 구축해야 했는데, 이 과정은 느리고 오류가 발생하기 쉬우며, 서로 다른 학습 방법을 공정하게 비교하는 것을 어렵게 만들었습니다.

이탈리아의 폴리테크니코 디 토리노(Politecnico di Torino) 연구진은 이를 해결하기 위한 새로운 방법인 SAMpLE을 선보였습니다. 이것을 표준 전기 부품처럼 어떤 머신러닝 모델이라도 시뮬레이션 환경에 직접 연결할 수 있게 해주는 '만능 어댑터'라고 생각하면 됩니다. 연구진은 이 학습 모델들을 시스템의 네이티브(native) 구성 요소로 취급하는 프레임워크를 구축하여, 별도의 일회성 연결 없이도 나머지 설계와 함께 매끄럽게 실행될 수 있도록 했습니다. 이 접근 방식은 엔지니어들이 가상 환경에서 학습 모델이 얼마나 잘 작동하는지, 즉 변화하는 조건에 실시간으로 적응할 수 있는지, 아니면 사전에 훈련되었을 때 더 나은 성능을 보이는지를 테스트할 수 있게 해줍니다. 연구진은 이 방법이 원래의 학습 프로그램과 거의 똑같은 결과를 생성하면서도 매우 신뢰할 수 있다는 것을 입증했으며, 동시에 다양한 유형의 학습 알고리즘을 동일한 조건 하에서 나란히 테스트할 수 있게 했습니다.

이 작업의 핵심은 연구진이 시뮬레이션을 조직한 방식에 있습니다. 그들은 '타임드 데이터플로우(Timed Dataflow)'라는 특정 유형의 디지털 로직을 사용했는데, 이는 컴퓨터 작업이 엄격하고 예측 가능한 순서에 따라 일어나도록 조직하여 데이터를 작고 규칙적인 덩어리로 처리하는 방식입니다. 이 구조는 머신러닝의 작동 방식과 완벽하게 일치합니다. 두 방식 모두 일련의 입력을 받아 처리한 후 특정 순간에 출력을 생성하기 때문입니다. 이러한 자연스러운 적합성을 인식함으로써, 연구진은 학습 모델이 번거로운 변환이나 추가적인 소프트웨어 계층에 감싸질 필요가 없는 시스템을 만들었습니다. 대신, 학습 모델은 시뮬레이션의 표준 블록이 되어 데이터를 받고, 예측을 수행하며, 시스템의 나머지 부분과 동일한 클록 사이클 내에서 결과를 전달합니다.

이를 구현하기 위해 연구진은 이러한 학습 모델을 사용하는 두 가지 뚜렷한 방식을 지원하는 프레임워크를 설계했습니다. 첫 번째는 오프라인 방식인데, 이는 강력한 컴퓨터를 사용하여 모델을 별도로 훈련시킨 다음 시뮬레이션이 읽을 수 있는 표준 형식으로 내보내는 방식입니다. 이를 통해 엔지니어들은 모델을 처음부터 다시 작성할 필요 없이 인기 있는 외부 도구로 만들어진 모델을 사용할 수 있습니다. 두 번째는 온라인 방식인데, 이는 모델이 실행되는 동안 시뮬레이션 내부에서 직접 학습하는 방식입니다. 이는 갑작스러운 날씨 변화나 사용량 변화에 맞춰 조정되어야 하는 전력망처럼, 새로운 정보가 들어옴에 따라 적응해야 하는 시스템에 유용합니다. 프레임워크는 이 두 가지 방식을 원활하게 처리하여, 모델이 외부에서 훈련되었든 내부에서 훈련되었든 상관없이 일관되게 작동하고, 나머지 설계를 깨뜨리지 않고 교체하거나 삽입될 수 있도록 보장합니다.

연구진은 두 가지 서로 다른 소스의 실제 데이터를 사용하여 이 시스템을 테스트했습니다. 하나는 가정 그룹의 전력 사용량을 추적하는 것이고, 다른 하나는 도시 전체의 전력 수요를 모니터링하는 것입니다. 그들은 단순 선형 예측기부터 더 복잡한 트리 기반 시스템에 이르기까지 다양한 유형의 학습 모델을 사용하여 시뮬레이션을 실행했습니다. 결과는 시뮬레이션이 원래의 학습 프로그램을 놀라운 정확도로 재현할 수 있음을 보여주었습니다. 매끄럽고 예측 가능한 패턴을 따르는 도시 데이터의 경우, 모델들은 거의 완벽했으며 원래의 결과와 차이가 거의 없었습니다. 훨씬 더 노이즈가 많고 예측하기 어려운 가정 데이터의 경우, 시스템은 여전히 잘 작동했지만 모델들이 예측 불가능성 때문에 더 어려움을 겪었습니다. 결정적으로, 연구진은 실시간으로 적응하는 온라인 학습 모델이 사전에 훈련된 정적 모델보다 지저한 가정 데이터를 다루는 데 훨씬 더 뛰어나다는 것을 발견했습니다.

가장 중요한 발견 중 하나는 서로 다른 학습 방법을 공정하게 비교할 수 있는 능력이었습니다. 프레임워크가 모든 모델을 표준 구성 요소로 취급하기 때문에, 엔지니어들은 설정 파일의 옵션을 변경하는 것만으로 학습 알고리즘의 유형을 간단히 바꿀 수 있습니다. 코드를 다시 쓰거나 시뮬레이션을 다시 구축할 필요가 없습니다. 이를 통해 엔зо니어는 정확히 동일한 조건과 동일한 데이터를 사용하여 서로 다른 알고리즘이 어떻게 성능을 내는지 직접 비교할 수 있습니다. 연구진은 각 시뮬레이션이 걸린 시간과 예측의 정확도를 측정하였으며, 어떤 방법은 다른 방법보다 훨씬 빠르고, 어떤 방법은 데이터 유형에 따라 더 정확하다는 것을 발견했습니다. 이러한 직접적인 비교는 이전에는 달성하기 어려웠는데, 서로 다른 학습 도구들이 각기 다른 설정을 요구하여 공정한 비교를 불가능하게 만들었기 때문입니다.

연구진은 또한 이 시스템이 다양한 시나리오에서 안정적으로 작동함을 검증했습니다. 그들은 밑단의 소프트웨어를 전혀 변경하지 않고도 입력 파일만 교체함으로써 동일한 시뮬레이션 코드를 가정 데이터와 도시 데이터 모두에 사용할 수 있음을 보여주었습니다. 이러한 이식성은 이 프레임워크가 에너지 그리드 관리부터 자율 주행 차량 설계에 이르기까지 다양한 유형의 엔지니어링 문제에 적용될 수 있음을 시사합니다. 또한 시스템에는 데이터의 품질과 모델의 성능을 점검하는 도구가 포함되어 있어, 예측이 실제와 얼마나 일치하는지에 대한 명확한 보고서를 제공합니다. 이러한 투명성은 엔지니어가 결과를 신뢰하고 모델이 어디에서 실패하고 있는지 이해하는 데 도움을 줍니다.

시스템은 강력하지만, 연구진은 현재의 한계점도 명확히 밝히고 있습니다. 이 시스템은 특정 유형의 데이터와 모델에 맞춰 설계되었으며, 모델이 표준 형식으로 내보내진다는 점에 의존합니다. 연구진은 온라인 학습 모델이 변화에 적응하는 데는 탁월하지만, 오프라인 모델보다 더 세심한 설정이 필요하다고 언급했습니다. 또한 이 시스템은 평가와 설계를 위한 도구이지, 실제 물리적 하드웨어를 대체하는 것이 아님을 강조했습니다. 목표는 엔지니어가 무언가를 만들기 전에 더 나은 결정을 내리도록 도와, 실패의 위험을 줄이고 시간과 비용을 절감하는 것입니다.

이 연구는 엔지니어가 설계 과정에 인공지능을 통합하는 방식에 있어 중요한 진전을 의미합니다. 학습 도구와 시뮬레이션 소프트웨어 사이의 맞춤형 임시 연결의 필요성을 제거함으로써, 이 프레임워크는 새로운 아이디어를 실험하고 다양한 접근 방식을 비교하는 것을 더 쉽게 만듭니다. 이는 머신러닝을 특수하고 사용하기 어려운 부가 기능에서 표준적이고 신뢰할 수 있는 엔지니어링 도구 세트의 일부로 탈바꿈시킵니다. 시스템이 점점 더 복잡해지고 데이터 중심으로 변함에 따라, 이러한 도구는 미래의 설계가 견고하고 효율적이며 현실 세계에 대비할 수 있도록 보장하는 데 필수적이 될 것입니다. 연구진은 자신들의 코드와 데이터를 공개하여, 더 넓은 커뮤니티가 이들의 연구를 바탕으로 새로운 가능성을 탐구할 수 있도록 초대했습니다.

기술 요약: SAMpLE – 가상 프로토타이핑을 위한 SystemC-AMS 기반 머신러닝 프레임워크

1. 문제 정의

머신러닝(ML)은 분석적으로 포착하기 어려운 복잡한 동작(예: 전력 소비, 센서 역학, 결함 예측 등)을 근사화하기 위해 임베디드 시스템 설계에서 점점 더 많이 활용되고 있습니다. ML 기반 대리 모델(surrogate)은 정확도와 계산 비용 사이에서 유리한 절충안을 제공하지만, 이를 SystemC 기반 가상 플랫폼에 통합하는 것은 여전히 과제로 남아 있습니다.

현재의 통합 방식은 파편화되어 있으며 표준화되어 있지 않습니다. 기존 접근 방식은 일반적으로 다음과 것에 의존합니다:

임시 솔루션(Ad-hoc solutions): 커스텀 트랜잭션 레벨 모델링(TLM) 인터페이스나 외부 Python 런타임에 추론 기능을 삽입하며, 이는 도구 체인 간의 강한 결합을 초래합니다.
수동 재구현(Manual re-implementation): 밀접한 커널 통합을 위해 모델을 C++로 다시 작성하며, 이는 상당한 엔지니어링 노력을 필요로 하고 이식성을 제한합니다.
공동 시뮬레이션(Co-simulation): FMI 표준을 통해 기능적 모듈 유닛(FMU)을 사용하지만, 이는 동기화 오버헤드를 발생시키고 결정론적(deterministic) 특성을 깨뜨립니다.

이러한 한계는 이질적인 ML 기법을 통일되고 재현 가능한 시뮬레이션 환경 내에 체계적으로 통합하는 것을 방해하며, 프로젝트 간에 모델을 비교하거나 자산을 재사용하는 것을 어렵게 만듭니다.

2. 방법론: SAMpLE 프레임워크

저자들은 SAMpLE(SystemC-AMS Machine Learning-based framework for virtual prototyping)을 소개합니다. 이는 ML 모델을 SystemC-AMS 생태계 내에서 일급 객체인 시간 기반 데이터 흐름(Timed Dataflow, TDF) 컴포넌트로 통합하는 오픈 소스 프레임워크입니다. 이 프레임워크는 TDF(인과적, 샘플 기반 실행)와 ML 추론(고정 크기 입력 벡터를 이산 단계에서 출력으로 변환) 사이의 의미론적 정렬을 활용합니다.

핵심 아키텍처

프레임워크는 통합된 IMMLModel 인터페이스를 통해 시뮬레이션 의미론과 추론 실행을 분리합니다. 이 추설화(abstraction)를 통해 TDF 스케줄러는 하위 백엔드와 관계없이 모든 모델 패밀리와 동일하게 상호작용할 수 있습니다. 워크플로우는 CSV 데이터셋과 중앙 집중식 JSON 설정 파일(config.json)에 의해 구동되며, 이 파일은 전처리, 학습 및 시뮬레이션 파라미터를 위한 단일 진실 공급원(single source of truth) 역할을 합니다.

이중 백엔드 실행

SAMpLE은 두 가지 교체 가능한 실행 백엔드를 지원합니다:

온라인 백엔드 (Native C++): 경량 모델 및 온라인 적응형 학습을 위해 설계되었습니다. 모델은 시뮬레이션 초기화 및 실행 단계 동안 점진적으로 구축되고 학습됩니다. 지원되는 알고리즘에는 적응형 선형 추정기(NLMS-ARX, EW-RLS-ARX), 앙상블 방법(Hedge Ensemble), 레짐 전환 모델(GHMM), 그리고 비선형 접근 방식(EKF-MLP, KRLS-ALD)이 포함됩니다.
오프라인 백엔드 (ONNX Runtime): 외부(예: PyTorch, TensorFlow 또는 scikit-learn)에서 학습된 모델의 배포를 가능하게 합니다. 이러한 모델은 ONNX(Open Neural Network Exchange) 형식으로 내보내지며, 시뮬레이션 정교화(elaboration) 시점에 로드됩니다. 프레임워크는 시뮬레이션 시작 전 호환성을 보장하기 위해 정적 형상 검사(static shape checks)와 "드라이 런(dry-run)" 추론을 수행합니다.

데이터 전처리 및 라이프사이클

프레임워크는 데이터 수집, 정제, 특징 공학(시간 데이터에 대한 순환 인코딩 포함) 및 통계 분석을 처리하는 모듈형 전처리 파이프라인을 포함합니다. 오프라인 학습(전처리된 데이터셋 사용)과 온라인 학습(샘플별 적응 처리)을 모두 지원합니다. 시뮬레이션 중에 프레임워크는 표준 회귀 지표(MAE, RMSE, $R^2$ )를 사용하여 모델 성능을 평가하며, 그라운드 트루스(ground-truth) 검증을 위한 선택적 포트를 제공합니다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 설명합니다:

네이티브 통합: ML 모델을 SystemC-AMS TDF 의미론에 직접 삽입하는 방법론을 제시하여, 외부 공동 시뮬레이션 프레임워크, 미들웨어 또는 수동 모델 변환의 필요성을 제거합니다.
통합 추상화: IMLModel 인터페이스는 시뮬레이션 동작과 추론 실행을 분리하여, 단일 시뮬레이션 환경 내에서 서로 교체 가능한 백엔드를 가능하게 합니다.
이중 백엔드 아키텍처: 온라인 학습을 위한 경량 네이티브 C++ 구현과 이질적인 사전 학습 모델 배포를 위한 휴대 가능한 ONNX 기반 배포를 모두 지원합니다.
재현 가능한 평가: 결정론적 데이터셋 처리, CSV 기반 실험 및 크로스 프레임워크 모델 패리티 검증을 지원하는 LRM(Language Reference Manual) 준수 라이프사이클을 갖춘 오픈 소스 프레임워크를 제공합니다.

4. 실험적 평가

저자들은 세 가지 연구 질문, 즉 충실도(Fidelity) (Python과의 수치적 동등성), 이질성(Heterogeneity) (하나의 넷리스트 아래 다양한 모델 실행), 이식성(Portability) (코드 변경 없이 데이터셋 간 전이)을 대상으로 SAMpLE을 평가했습니다.

데이터셋:

UCI Appliances: 노이즈가 포함된 거주 에너지 소비 데이터 (19,735개 샘플).
Tetuan City: 매끄럽고 주기적인 도시 전력 수요 데이터 (52,416개 샘플).

결과:

충실도 (Q1): 오프라인 모델(ARX, Random Forest, XGBoost)에 대해 SAMpLE은 높은 충실도로 Python 예측을 재현했습니다. 최대 편차는 UCI 데이터셋에 대한 XGBoost의 $\Delta R^2 = 0.003$ 이었으며, 이는 ONNX 배포가 최소한의 오버헤드로 예측 정확도를 보존함을 확인시켜 줍니다.
이질성 (Q2): 프레임워크는 단일 SystemC-AMS 넷리스트 아래에서 구조적으로 다양한 모델(선형, 트리 기반, 커널 방법, 가우시안 프로세스)을 성공적으로 실행했습니다. 모델 전환에는 코드 수정 없이 설정 변경만 필요했습니다.
이식성 (Q-3): 파이프라인은 입력 CSV 및 특징 스키마를 교체함으로써 UCI와 Tetuan 데이터셋 간에 원활하게 전이되었으며, C++ 소스 코드나 빌드 구성의 변경이 없었습니다.

성능 인사이트:

비정상성(non-stationary)을 띠는 UCI 데이터셋의 경우, 오프라인 모델은 낮은 성능( $R^2 \in [0.13, 0.28]$ )을 보였으나, 적응형 온라인 학습기(특히 Hedge Ensemble)는 점유율 기반 역학에 적응함으로써 훨씬 높은 정확도( $R^2 = 0.879$ )를 달기 위해 노력했습니다.
주기적인 Tetuan 데이터셋의 경우, 오프라인 및 온라인 접근 방식 모두 높은 정확도( $R^2 > 0.98$ )로 수렴했습니다. 이때 선형 적응형 필터(NLMS-ARX)가 정확도와 계산 비용 사이에서 최적의 절충안(종단 간 48ms vs 오프라인 파이프라인의 0.6s 이상)을 제공했습니다.

5. 의의 및 주장

본 논문은 SAMpLE이 표준화되고 재현 가능하며 통합된 환경을 제공함으로써 ML 기반 가상 프로토타이핑의 파편화 문제를 해결한다고 주장합니다. 그 의의는 다음과 같습니다:

임시 솔루션 제거: 유지보수를 복잡하게 하고 이식성을 낮추는 커스텀 인터페이스나 공동 시뮬레이션 계층의 필요성을 없앱니다.
공정한 비교 가능: 가상 플랫폼 내에서 동일한 스케줄링, 데이터셋 분할 및 지표 파이프라인 아래에서 이질적인 모델 패밀리를 평가할 수 있게 합니다.
미래 표준화 지원: 저자들은 IMLModel 계약(윈도우 입력, 고정 크기 출력, 준비 플래그)이 향후 SystemC-AMS 표준의 기초가 될 수 있다고 제안합니다. 이는 콤팩트한 선형 추정기부터 복잡한 비선형 학습기에 이르는 모델들을 언어 코어에 영향을 주지 않고 성공적으로 통합했기 때문입니다.

이 연구는 데이터 기반 가상 프로토타이핑을 위한 더 견고한 생태계를 향한 기초적인 단계로 제시되며, 향후 이질적 모델 앙상블 및 불확실성을 고려한 추론(uncertainty-aware inference)을 포함하는 후속 연구가 계획되어 있습니다.