KR102626850B1 - 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템 - Google Patents
뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템 Download PDFInfo
- Publication number
- KR102626850B1 KR102626850B1 KR1020210121632A KR20210121632A KR102626850B1 KR 102626850 B1 KR102626850 B1 KR 102626850B1 KR 1020210121632 A KR1020210121632 A KR 1020210121632A KR 20210121632 A KR20210121632 A KR 20210121632A KR 102626850 B1 KR102626850 B1 KR 102626850B1
- Authority
- KR
- South Korea
- Prior art keywords
- power
- energy
- energy harvesting
- amount
- size
- Prior art date
Links
- 238000003306 harvesting Methods 0.000 title claims abstract description 155
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000002071 nanotube Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 101100009348 Mus musculus Depp1 gene Proteins 0.000 description 1
- 101100009350 Rattus norvegicus Depp gene Proteins 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005288 electromagnetic effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005442 molecular electronic Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005676 thermoelectric effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02N—ELECTRIC MACHINES NOT OTHERWISE PROVIDED FOR
- H02N11/00—Generators or motors not provided for elsewhere; Alleged perpetua mobilia obtained by electric or magnetic means
- H02N11/002—Generators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16552—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies in I.C. power supplies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/063—Details of electronic electricity meters related to remote communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
- Y04S10/123—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving renewable energy sources
Abstract
뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템이 개시된다. 일 실시예에 따른 에너지 하베스팅 방법은, 에너지 하베스터가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정하는 동작과 상기 제1 전력의 크기를 중앙 처리 장치로 송신하는 동작과 상기 중앙 처리 장치로부터 상기 에너지 하베스터가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기를 수신하는 동작과 상기 제1 전력의 크기에 기초하여 상기 에너지 하베스터를 제어하는 동작을 포함하고, 상기 제2 전력의 크기는 상기 제1 전력의 크기에 기초하여 결정된 것일 수 있다.
Description
아래 개시는 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템에 관한 것이다.
에너지 하베스팅(energy harvesting)은 버려지는 에너지를 수확(harvesting) 또는 이용하여 에너지를 재생산하는 기술이다. 에너지 하베스팅은 에너지 발생 단계, 에너지 변환 단계, 에너지 저장 단계 및 에너지 소비 단계로 구분된다.
에너지 발생 단계는 신체 에너지, 진동 에너지, 열 에너지, 중력 에너지, 위치 에너지, 광 에너지, 전자기 에너지 등으로부터 에너지가 발생하는 단계이다.
에너지 변환 단계는 진동이나 압력에 의한 압전 소자를 활용한 압전(piezoelectric) 변환, 인체 및 기계의 잔열이나 폐열을 활용하는 열전(thermoelectric) 변환, 광 에너지를 전기로 변환하는 광전(photoelectricity) 변환 및 파동(진동)을 전자기파로 수집하여 전기로 변환하는 전자기(electromagnetism) 변환을 통해 에너지를 변환하는 단계이다.
에너지 저장 단계는 에너지 축적 및 보존이 가능하고 전기 누설이 적은 요소를 가진 전지를 활용하여 변환된 에너지를 저장하는 단계이다.
에너지 소비 단계는 에너지 발생 단계, 에너지 변환 단계 및 에너지 저장 단계에서 생산되는 에너지를 소비하는 단계이다.
에너지 하베스팅 기술은 IT 장치, 센서 및 산업용 장비들이 소형화되는 추세에서, 이에 따른 배터리의 크기, 사용 시간 등의 한계를 극복하기 위한 새로운 전원 기술로 주목받고 있다.
에너지 하베스팅을 위해 소비한 전력보다 에너지 하베스팅으로 얻은 전력이 작을 경우, 오히려 전력 소비가 커질 수 있다,
실시예에 따르면, 뉴럴 네트워크에 기반하여 에너지 하베스팅으로 얻을 수 있는 전력을 예측함으로써 효율적인 에너지 하베스팅을 수행하는 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 에너지 하베스팅 방법은, 에너지 하베스터가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정하는 동작과 상기 제1 전력의 크기를 중앙 처리 장치로 송신하는 동작과 상기 중앙 처리 장치로부터 상기 에너지 하베스터가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기를 수신하는 동작과 상기 제2 전력의 크기에 기초하여 상기 에너지 하베스터를 제어하는 동작을 포함하고, 상기 제2 전력의 크기는 상기 제1 전력의 크기에 기초하여 결정된 것일 수 있다.
상기 에너지 하베스터를 제어하는 동작은, 상기 제2 전력의 크기와 상기 에너지 하베스터가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 상기 에너지 하베스터를 제어하는 동작을 포함할 수 있다.
상기 에너지 하베스터는, 하나 이상의 에너지 하베스팅 회로과 상기 에너지 하베스팅 회로를 제어하는 하나 이상의 스위치를 포함할 수 있다.
상기 에너지 하베스터를 제어하는 동작은, 상기 제2 전력의 크기가 상기 기준 전력보다 큰 경우 상기 스위치를 on하여 에너지를 하베스팅하는 동작과 상기 제2 전력의 크기가 상기 기준 전력보다 작은 경우 상기 스위치를 off하여 에너지를 하베스팅하지 않는 동작을 포함할 수 있다.
상기 중앙 처리 장치는, 상기 제1 전력의 크기를 수신하고, 상기 제1 전력의 크기에 기초하여 손실 함수를 계산하고, 상기 손실 함수를 최소화하도록 가중치 및 편향을 업데이트함으로써 학습되는 뉴럴 네트워크를 포함할 수 있다.
학습된 뉴럴 네트워크는, 상기 제1 전력의 크기를 입력하면 상기 제2 전력의 크기를 출력할 수 있다.
일 실시예에 따른 에너지 하베스팅 장치는, 에너지 하베스터와 트랜시버와 하나 이상의 인스트럭션을 저장하는 메모리와 상기 인스트럭션을 실행시키기 위한 프로세서를 포함하고, 상기 인스트럭션이 실행될 때, 상기 프로세서는, 상기 에너지 하베스터로부터 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정하고, 상기 제1 전력의 크기를 상기 중앙 처리 장치로 송신하고, 상기 중앙 처리 장치로부터 상기 에너지 하베스터가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기를 수신하고, 상기 제2 전력의 크기에 기초하여 상기 에너지 하베스터를 제어하고, 상기 제2 전력의 크기는 상기 제1 전력의 크기에 기초하여 결정된 것일 수 있다.
상기 프로세서는, 상기 제2 전력의 크기와 상기 에너지 하베스터가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 상기 에너지 하베스터를 제어할 수 있다.
상기 에너지 하베스터는, 하나 이상의 에너지 하베스팅 회로와 상기 에너지 하베스팅 회로를 제어하는 하나 이상의 스위치를 포함할 수 있다.
상기 프로세서는, 상기 제2 전력의 크기가 상기 기준 전력보다 큰 경우 상기 스위치를 on하여 에너지를 하베스팅하고, 상기 제2 전력의 크기가 상기 기준 전력보다 작은 경우 상기 스위치를 off하여 에너지를 하베스팅하지 않을 수 있다.
일 실시예에 따른 에너지 하베스팅 시스템은, 하나 이상의 에너지 하베스팅 장치와 상기 에너지 하베스팅 장치를 제어하는 중앙 처리 장치를 포함하고, 상기 에너지 하베스팅 장치는, 에너지 하베스터가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정하고, 상기 제1 전력의 크기를 상기 중앙 처리 장치로 송신하고, 상기 중앙 처리 장치로부터 상기 에너지 하베스터가 일정 시간 동안 획득 가능한 전력의 크기인 제2 전력의 크기를 수신하고, 상기 제2 전력의 크기에 기초하여 상기 에너지 하베스터를 제어하고, 상기 제2 전력의 크기는 상기 제1 전력의 크기에 기초하여 결정된 것일 수 있다.
상기 에너지 하베스팅 장치는, 상기 제2 전력의 크기와 상기 에너지 하베스터가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 상기 에너지 하베스터를 제어할 수 있다.
상기 에너지 하베스터는, 하나 이상의 에너지 하베스팅 회로와 상기 에너지 하베스팅 회로를 제어하는 하나 이상의 스위치를 포함할 수 있다.
상기 에너지 하베스팅 장치는, 상기 제2 전력의 크기가 상기 기준 전력보다 큰 경우 상기 스위치를 on하여 에너지를 하베스팅하고, 상기 제2 전력의 크기가 상기 기준 전력보다 작은 경우 상기 스위치를 off하여 에너지를 하베스팅하지 않을 수 있다.
상기 중앙 처리 장치는, 상기 제1 전력의 크기를 수신하고, 상기 제1 전력의 크기에 기초하여 손실 함수를 계산하고, 상기 손실 함수를 최소화하도록 가중치 및 편향을 업데이트함으로써 학습되는 뉴럴 네트워크를 포함할 수 있다.
학습된 뉴럴 네트워크는, 상기 제1 전력의 크기를 입력하면 상기 제2 전력의 크기를 출력할 수 있다.
도 1은 일 실시예에 따른 에너지 하베스팅 시스템의 일 예를 나타낸다.
도 2는 도 1에 도시된 에너지 하베스팅 장치의 개략적인 블록도를 나타낸다.
도 3은 도 2에 도시된 에너지 하베스터의 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 에너지 하베스팅 방법의 일 예를 나타낸다.
도 2는 도 1에 도시된 에너지 하베스팅 장치의 개략적인 블록도를 나타낸다.
도 3은 도 2에 도시된 에너지 하베스터의 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 에너지 하베스팅 방법의 일 예를 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 에너지 하베스팅 시스템의 일 예를 나타낸다.
에너지 하베스팅 시스템(10)은 버려지는 에너지를 수확(harvesting) 또는 이용하여 에너지를 재생산하는 에너지 하베스팅(energy harvesting)을 수행할 수 있다.
에너지 하베스팅 시스템(10)은 하나 이상의 에너지 하베스팅 장치(100)(예: 100-1, ~ 100-n) 및 중앙 처리 장치(200)를 포함할 수 있다.
에너지 하베스팅 장치(100)는 제1 에너지 하베스팅 장치(100-1) 내지 제n 에너지 하베스팅 장치(100-n)를 포함할 수 있다. 제1 에너지 하베스팅 장치(100-1) 내지 제n 에너지 하베스팅 장치(100-n)는 각각의 에너지원(예: 제1 에너지원(300-1) 내지 제n 에너지원(300-n))으로부터 에너지 하베스팅을 수행할 수 있다. 에너지 하베스팅 장치(100)의 구성 및 동작에 관해서는 도 2를 통해 자세히 설명하도록 한다.
중앙 처리 장치(200)는 제1 에너지 하베스팅 장치(100-1) 내지 제n 에너지 하베스팅 장치(100-n)를 제어할 수 있다. 중앙 처리 장치(200)가 하나 이상의 에너지 하베스팅 장치(100)를 전체적으로 제어함으로써, 에너지 하베스팅의 전체 효율이 향상될 수 있다. 예를 들어, 에너지 하베스팅의 전체 효율은 에너지 하베스팅 장치(100)들이 각각의 정보를 이용하여 에너지 하베스팅을 수행하는 경우보다, 중앙 처리 장치(200)가 에너지 하베스팅 장치(100)들의 정보를 취합하여 에너지 하베스팅을 제어하고 수행하는 경우에 더 향상될 수 있다.
중앙 처리 장치(200)는 뉴럴 네트워크를 포함할 수 있고, 뉴럴 네트워크는 에너지 하베스팅 장치(100)들로부터 에너지 하베스터가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 수신하고, 수신한 제1 전력의 크기에 기초하여 손실 함수를 계산하고, 계산된 손실 함수를 최소화하도록 가중치 및 편향을 업데이트함으로써 학습될 수 있다.
중앙 처리 장치(200)는 가속기(accelerator)를 이용하여 뉴럴 네트워크 연산을 수행할 수 있다. 중앙 처리 장치(200)는 가속기를 이용하여 뉴럴 네트워크 연산을 수행할 수 있다.
가속기는 GPU(Graphics Processing Unit), FPGA(Field Programmable Gate Array), ASIC(Application Specific Integrated Circuit) 또는 AP(Application Processor)를 포함할 수 있다. 또한, 가속기는 가상 머신(Virtual Machine)와 같이 소프트웨어 컴퓨팅 환경으로 구현될 수도 있다.
중앙 처리 장치(200)는 뉴럴 네트워크를 학습시킬 수 있다. 뉴럴 네트워크(또는 인공 신경망)는 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
뉴럴 네트워크의 뉴런은 가중치 또는 편향의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.
뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다. 뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있다.
중앙 처리 장치(200)는 마더보드(motherboard)와 같은 인쇄 회로 기판(printed circuit board(PCB)), 집적 회로(integrated circuit(IC)), 또는 SoC(system on chip)로 구현될 수 있다. 예를 들어, 중앙 처리 장치(200)는 애플리케이션 프로세서(application processor)로 구현될 수 있다.
또한, 중앙 처리 장치(200)는 PC(personal computer), 데이터 서버 등으로 구현될 수 있다.
휴대용 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 또는 스마트 디바이스(smart device)로 구현될 수 있다. 스마트 디바이스는 스마트 와치(smart watch), 스마트 밴드(smart band), 또는 스마트 링(smart ring)으로 구현될 수 있다.
학습된 뉴럴 네트워크에 제1 전력의 크기를 입력하면 제2 전력의 크기가 출력될 수 있다.
중앙 처리 장치(200)는 에너지 하베스팅 장치(100)로부터 제1 전력의 크기를 수신할 수 있다. 중앙 처리 장치(200)는 학습된 뉴럴 네트워크에 제1 전력의 크기를 입력하여, 제2 전력의 크기를 획득할 수 있다. 중앙 처리 장치(200)는 제2 전력의 크기를 에너지 하베스팅 장치(100)로 송신하여 에너지 하베스팅 장치(100)가 제2 전력의 크기에 기초하여 에너지 하베스팅을 수행하도록 할 수 있다.
에너지 하베스팅 시스템(10)은 중앙 처리 장치(200)에서 머신 러닝(또는 딥 러닝)을 수행함으로써, 에너지 하베스팅 장치(100)에서 소모되는 에너지를 감소시킬 수 있다. 또한 에너지 하베스팅 시스템(10)은 머신 러닝(또는 딥 러닝)을 직접 수행하는 에너지 하베스팅 장치의 프로세서보다 낮은 처리 능력을 보유한 프로세서(또는 컨트롤 유닛)를 통해 에너지 하베스팅 장치(100)를 구현할 수 있다.
도 2는 도 1에 도시된 에너지 하베스팅 장치의 개략적인 블록도를 나타낸다.
에너지 하베스팅 장치(100)는 버려지는 에너지를 수확 또는 이용하여 에너지를 재생산하는 에너지 하베스팅을 수행할 수 있다.
에너지 하베스팅 장치(100)는 트랜시버(110), 에너지 하베스터(130), 메모리(150), 및 프로세서(170)를 포함할 수 있다.
트랜시버(110)는 프로세서(170)로부터 에너지 하베스터(130)가 일정 시간 동안 획득한 전력의 크기인 제1 전력의 크기를 수신하여 중앙 처리 장치(200)로 송신할 수 있다. 트랜시버(110)는 중앙 처리 장치(200)로부터 에너지 하베스터(130)가 일정 시간 동안 획득 가능한 전력의 크기인 제2 전력의 크기를 수신하여 프로세서(170)로 송신할 수 있다. 제2 전력의 크기는 제1 전력의 크기로부터 결정될 수 있다.
에너지 하베스터(130)는 에너지원으로부터 에너지 하베스팅을 수행할 수 있다. 에너지 하베스터(130)의 구조 및 동작은 도 3을 통해 자세히 설명하도록 한다.
메모리(150)는 프로세서(170)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서의 동작 및/또는 프로세서(170)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
메모리(150)는 휘발성 메모리 장치 또는 불휘발성 메모리 장치로 구현될 수 있다.
휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(Twin Transistor RAM)으로 구현될 수 있다.
불휘발성 메모리 장치는 EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시(flash) 메모리, MRAM(Magnetic RAM), 스핀전달토크 MRAM(Spin-Transfer Torque(STT)-MRAM), Conductive Bridging RAM(CBRAM), FeRAM(Ferroelectric RAM), PRAM(Phase change RAM), 저항 메모리(Resistive RAM(RRAM)), 나노 튜브 RRAM(Nanotube RRAM), 폴리머 RAM(Polymer RAM(PoRAM)), 나노 부유 게이트 메모리(Nano Floating Gate Memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(Molecular Electronic Memory Device), 또는 절연 저항 변화 메모리(Insulator Resistance Change Memory)로 구현될 수 있다.
프로세서(170)는 메모리(150)에 저장된 데이터를 처리할 수 있다. 프로세서(170)는 메모리(150)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(170)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(170)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(170)는 에너지 하베스터(130)가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정할 수 있다. 프로세서(170)는 제1 전력의 크기를 트랜시버(110)를 통해 중앙 처리 장치(200)로 송신할 수 있다. 프로세서(170)는 중앙 처리 장치(170)로부터 에너지 하베스터(130)가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기를 트랜시버(110)를 통해 수신할 수 있다. 프로세서(170)는 수신한 제2 전력의 크기에 기초하여 에너지 하베스터(130)를 제어할 수 있다. 제2 전력의 크기는 중앙 처리 장치(200)의 뉴럴 네트워크를 통해 제1 전력의 크기로부터 결정된 것일 수 있다.
프로세서(170)는 제2 전력의 크기와 에너지 하베스터(130)가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 에너지 하베스터(130)를 제어할 수 있다. 프로세서(170)가 에너지 하베스터(130)를 제어하는 구체적인 동작은 도 3을 통해 자세히 설명하도록 한다.
도 3은 도 2에 도시된 에너지 하베스터의 동작을 설명하기 위한 도면이다.
에너지 하베스터(130)는 하나 이상의 에너지원(300)으로부터 에너지 하베스팅을 수행할 수 있다.
에너지원(300)은 제1 에너지원(300-1) 내지 제n 에너지원(300-n)을 포함할 수 있고, 에너지원(300)의 개수는 제한되지 않는다. 제1 에너지원(300-1)은 압전 효과에 기초한 에너지원일 수 있고, 제2 에너지원(300-2)은 열전 효과에 기초한 에너지원일 수 있고, 제3 에너지원(300-3)은 광전 효과에 기초한 에너지원일 수 있고, 제n 에너지원(300-1)은 전자기 효과에 기초한 에너지원일 수 있다.
에너지 하베스터(130)는 하나 이상의 에너지 하베스팅 회로(131) 및 스위치(132)를 포함할 수 있다. 에너지 하베스터(130)는 스위치(132)를 통해 에너지 하베스팅 회로(131)를 제어할 수 있다.
에너지 하베스팅 회로(131)는 에너지원(300)으로부터 에너지 하베스팅을 수행할 수 있다. 에너지 하베스팅 회로(131)는 제1 에너지 하베스팅 회로(131-1) 내지 제n 에너지 하베스팅 회로(131-n)을 포함할 수 있고, 에너지 하베스팅 회로(131)의 개수는 제한되지 않는다.
스위치(132)는 에너지원(300)과 에너지 하베스팅 회로(131) 사이에 위치하여, 에너지 하베스팅 회로(131)가 에너지원(300)으로부터 에너지 하베스팅을 수행하도록 ON될 수 있고, 에너지 하베스팅 회로(131)가 에너지원(300)으로부터 에너지 하베스팅을 수행하지 않도록 OFF될 수 있다. 스위치(132)는 제1 스위치(132-1) 내지 제n 스위치(132-n)을 포함할 수 있고, 스위치(132)의 개수는 에너지 하베스팅 회로(131)의 개수와 대응될 수 있다.
프로세서(도 2의 프로세서(170))는 에너지 하베스터(130)를 제어할 수 있다. 구체적으로, 프로세서(170)는 에너지 하베스터(130)에 포함된 스위치(131)를 제어하여 에너지 하베스팅을 제어할 수 있다.
프로세서(170)는 에너지 하베스터(130)가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기와 에너지 하베스터(130)가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 에너지 하베스터(130)를 제어할 수 있다.
프로세서(170)는 제2 전력의 크기가 기준 전력보다 큰 경우 스위치(132)를 ON하여 에너지 하베스팅 회로(131)가 에너지를 하베스팅하도록 할 수 있고, 제2 전력의 크기가 기준 전력보다 작은 경우 스위치(132)를 OFF하여 에너지 하베스팅 회로(131)가 에너지를 하베스팅하지 않도록 제어할 수 있다.
구체적으로, 프로세서(170)는 제1 에너지원(300-1)으로부터 일정 시간 동안 획득 가능한 전력인 제2-1 전력의 크기가 제1 에너지 하베스팅 회로(131-1)가 동작할 때 소모되는 전력인 제1 기준 전력의 크기보다 큰 경우, 제1 스위치(132-1)를 ON하여 제1 에너지 하베스팅 회로(131-1)가 에너지 하베스팅을 수행하도록 제어할 수 있다.
또한, 프로세서(170)는 제3 에너지원(300-3)으로부터 일정 시간 동안 획득 가능한 전력인 제2-3 전력의 크기가 제3 에너지 하베스팅 회로(131-3)가 동작할 때 소모되는 전력인 제3 기준 전력의 크기보다 큰 경우, 제3 스위치(132-3)를 OFF하여 제3 에너지 하베스팅 회로(131-3)가 에너지 하베스팅을 수행하지 않도록 제어할 수 있다.
프로세서(170)는 에너지 하베스팅을 위해 소비한 전력과 에너지 하베스팅으로 얻을 수 있는 전력을 비교하여, 효율적인 에너지 하베스팅을 수행하도록 에너지 하베스터(130)를 제어할 수 있다.
도 4는 일 실시예에 따른 에너지 하베스팅 방법의 일 예를 나타낸다.
도 4를 참조하면, 에너지 하베스팅 시스템(10)은 머신 러닝에 기반하여 효율적인 에너지 하베스팅을 수행할 수 있다.
동작 410에서, 에너지 하베스팅 장치(100)는 에너지 하베스터(130)가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정할 수 있다.
동작 420에서, 에너지 하베스팅 장치(100)는 트랜시버(110)를 통해 제1 전력의 크기를 중앙 처리 장치(200)로 송신할 수 있다.
동작 430에서, 에너지 하베스팅 장치(100)는 중앙 처리 장치(200)로부터 트랜시버(110)를 통해 에너지 하베스터(130)가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기를 수신할 수 있다. 이 때, 중앙 처리 장치(200)는 뉴럴 네트워크를 포함할 수 있고, 뉴럴 네트워크는 제1 전력의 크기를 수신하고, 제1 전력의 크기에 기초하여 손실 함수를 계산하고, 손실 함수를 최소화하도록 가중치 및 편향을 업데이트함으로써 학습될 수 있다. 제2 전력의 크기는 학습된 뉴럴 네트워크에 제1 전력의 크기를 입력함으로써 획득될 수 있다.
동작 440에서, 에너지 하베스팅 장치(100)는 제2 전력의 크기에 기초하여 에너지 하베스터(130)를 제어할 수 있다. 에너지 하베스팅 장치(100)는 제2 전력의 크기와 에너지 하베스터(130)가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 에너지 하베스터(130)를 제어할 수 있다.
구체적으로 에너지 하베스팅 장치(100)는, 제2 전력의 크기가 기준 전력보다 큰 경우 스위치(132)를 on하여 에너지를 에너지 하베스팅 회로(131)가 에너지 하베스팅을 수행하도록 하고, 제2 전력의 크기가 기준 전력보다 작은 경우 스위치(132)를 off하여 에너지 하베스터(131)가 에너지 하베스팅을 수행하지 않도록 제어할 수 있다.
에너지 하베스팅 시스템(10)은 중앙 처리 장치(200)에서 머신 러닝(또는 딥 러닝)을 수행함으로써, 에너지 하베스팅 장치(100)에서 소모하는 에너지들을 감소시킬 수 있다. 또한 에너지 하베스팅 시스템(10)은 머신 러닝(또는 딥 러닝)을 수행하는 에너지 하베스팅 장치의 프로세서보다 낮은 처리 능력을 보유한 프로세서(또는 컨트롤 유닛)를 통해 에너지 하베스팅 장치(100)를 구현할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 저장할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (16)
- 에너지 하베스팅 장치가 수행하는 에너지 하베스팅 동작 방법에 있어서,
상기 에너지 하베스팅 장치에 포함된 에너지 하베스터가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정하는 동작;
상기 제1 전력의 크기를 중앙 처리 장치 - 상기 중앙 처리 장치는 상기 에너지 하베스팅 장치와는 별도로 구현되는 것임 - 로 송신하는 동작;
상기 중앙 처리 장치로부터 상기 에너지 하베스터가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기를 수신하는 동작; 및
상기 제2 전력의 크기에 기초하여 상기 에너지 하베스터를 제어하는 동작을 포함하고,
상기 제2 전력의 크기는 상기 제1 전력의 크기에 기초하여 결정된 것이고,
상기 에너지 하베스터를 제어하는 동작은,
상기 제2 전력의 크기와 상기 에너지 하베스터가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 상기 에너지 하베스터를 제어하는 동작을 포함하고,
상기 중앙 처리 장치는,
상기 제1 전력의 크기를 입력하면 상기 제2 전력의 크기를 출력하는 뉴럴 네트워크를 포함하고,
상기 뉴럴 네트워크는,
상기 중앙 처리 장치에 의해 학습된 것으로서, 전력의 크기를 입력 받고, 상기 전력의 크기에 기초하여 손실 함수를 계산하고, 상기 손실 함수를 최소화하도록 가중치 및 편향을 업데이트함으로서 학습된 것인,
에너지 하베스팅 방법.
- 삭제
- 제1항에 있어서,
상기 에너지 하베스터는,
하나 이상의 에너지 하베스팅 회로; 및
상기 에너지 하베스팅 회로를 제어하는 하나 이상의 스위치
를 포함하는, 에너지 하베스팅 방법.
- 제3항에 있어서,
상기 에너지 하베스터를 제어하는 동작은,
상기 제2 전력의 크기가 상기 기준 전력보다 큰 경우 상기 스위치를 on하여 에너지를 하베스팅하는 동작; 및
상기 제2 전력의 크기가 상기 기준 전력보다 작은 경우 상기 스위치를 off하여 에너지를 하베스팅하지 않는 동작
을 포함하는, 에너지 하베스팅 방법.
- 삭제
- 삭제
- 에너지 하베스팅 장치에 있어서,
에너지 하베스터;
트랜시버;
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 인스트럭션을 실행시키기 위한 프로세서
를 포함하고,
상기 인스트럭션이 실행될 때, 상기 프로세서는,
에너지 하베스터가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정하고,
상기 제1 전력의 크기를 중앙 처리 장 치- 상기 중앙 처리 장치는 상기 에너지 하베스팅 장치와는 별도로 구현되는 것임 - 로 송신하고,
상기 중앙 처리 장치로부터 상기 에너지 하베스터가 일정 시간 동안 획득 가능한 전력인 제2 전력의 크기를 수신하고,
상기 제2 전력의 크기와 상기 에너지 하베스터가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 상기 에너지 하베스터를 제어하고,
상기 제2 전력의 크기는 상기 제1 전력의 크기에 기초하여 결정된 것이고,
상기 중앙 처리 장치는,
상기 제1 전력의 크기를 입력하면 상기 제2 전력의 크기를 출력하는 뉴럴 네트워크를 포함하고,
상기 뉴럴 네트워크는,
상기 중앙 처리 장치에 의해 학습된 것으로서, 전력의 크기를 입력 받고, 상기 전력의 크기에 기초하여 손실 함수를 계산하고, 상기 손실 함수를 최소화하도록 가중치 및 편향을 업데이트함으로서 학습된 것인,에너지 하베스팅 장치.
- 삭제
- 제7항에 있어서,
상기 에너지 하베스터는,
하나 이상의 에너지 하베스팅 회로; 및
상기 에너지 하베스팅 회로를 제어하는 하나 이상의 스위치
를 포함하는, 에너지 하베스팅 장치.
- 제9항에 있어서,
상기 프로세서는,
상기 제2 전력의 크기가 상기 기준 전력보다 큰 경우 상기 스위치를 on하여 에너지를 하베스팅하고,
상기 제2 전력의 크기가 상기 기준 전력보다 작은 경우 상기 스위치를 off하여 에너지를 하베스팅하지 않는,
에너지 하베스팅 장치.
- 하나 이상의 에너지 하베스팅 장치; 및
상기 에너지 하베스팅 장치를 제어하는 중앙 처리 장치 - 상기 중앙 처리 장치는 상기 에너지 하베스팅 장치와는 별도로 구현되는 것임 -
를 포함하고,
상기 에너지 하베스팅 장치는,
에너지 하베스터가 일정 시간 동안 획득한 전력인 제1 전력의 크기를 측정하고,
상기 제1 전력의 크기를 상기 중앙 처리 장치로 송신하고,
상기 중앙 처리 장치로부터 상기 에너지 하베스터가 일정 시간 동안 획득 가능한 전력의 크기인 제2 전력의 크기를 수신하고,
상기 제2 전력의 크기와 상기 에너지 하베스터가 동작할 때 소모되는 전력인 기준 전력의 크기를 비교하여 상기 에너지 하베스터를 제어하고,
상기 제2 전력의 크기는 상기 제1 전력의 크기에 기초하여 결정된 것이고,
상기 중앙 처리 장치는,
상기 제1 전력의 크기를 입력하면 상기 제2 전력의 크기를 출력하는 뉴럴 네트워크를 포함하고,
상기 뉴럴 네트워크는,
상기 중앙 처리 장치에 의해 학습된 것으로서, 전력의 크기를 입력 받고, 상기 전력의 크기에 기초하여 손실 함수를 계산하고, 상기 손실 함수를 최소화하도록 가중치 및 편향을 업데이트함으로서 학습된 것인,
에너지 하베스팅 시스템.
- 삭제
- 제11항에 있어서,
상기 에너지 하베스터는,
하나 이상의 에너지 하베스팅 회로; 및
상기 에너지 하베스팅 회로를 제어하는 하나 이상의 스위치
를 포함하는, 에너지 하베스팅 시스템.
- 제13항에 있어서,
상기 에너지 하베스팅 장치는,
상기 제2 전력의 크기가 상기 기준 전력보다 큰 경우 상기 스위치를 on하여 에너지를 하베스팅하고,
상기 제2 전력의 크기가 상기 기준 전력보다 작은 경우 상기 스위치를 off하여 에너지를 하베스팅하지 않는,
에너지 하베스팅 시스템.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210121632A KR102626850B1 (ko) | 2021-09-13 | 2021-09-13 | 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210121632A KR102626850B1 (ko) | 2021-09-13 | 2021-09-13 | 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230038935A KR20230038935A (ko) | 2023-03-21 |
| KR102626850B1 true KR102626850B1 (ko) | 2024-01-18 |
Family
ID=85801049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210121632A KR102626850B1 (ko) | 2021-09-13 | 2021-09-13 | 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102626850B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018088802A (ja) | 2016-11-17 | 2018-06-07 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド | 結合解除された適応センサシステムを備える設備 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120072224A (ko) * | 2010-12-23 | 2012-07-03 | 한국전자통신연구원 | 전력 획득 예측에 기반한 센서 노드의 전원 제어 장치 및 방법 |
| KR101475915B1 (ko) * | 2012-05-31 | 2014-12-23 | 주식회사 엘지화학 | 스마트 그리드 시스템에서 정전 발생시 에너지의 우선 공급을 제어하는 에너지 관리 시스템 및 에너지 관리 방법 |
| KR102457190B1 (ko) * | 2017-08-30 | 2022-10-21 | 한국전자통신연구원 | 에너지 하베스팅 기반의 에너지 관리 장치 |
-
2021
- 2021-09-13 KR KR1020210121632A patent/KR102626850B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018088802A (ja) | 2016-11-17 | 2018-06-07 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド | 結合解除された適応センサシステムを備える設備 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230038935A (ko) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11625584B2 (en) | Reconfigurable memory compression techniques for deep neural networks | |
| US20210374611A1 (en) | Artificial intelligence-driven quantum computing | |
| US11620505B2 (en) | Neuromorphic package devices and neuromorphic computing systems | |
| CN105488565A (zh) | 加速深度神经网络算法的加速芯片的运算装置及方法 | |
| KR20210015685A (ko) | 이종 컴퓨팅 플랫폼에서 뉴럴 네트워크 모델을 구현하는 방법 및 이를 수행하는 장치 | |
| US11803733B2 (en) | Method for implementing neural network model in heterogeneous computing platform and apparatus for performing the same | |
| US20210150323A1 (en) | Methods and apparatus to implement a neural network | |
| KR102626850B1 (ko) | 뉴럴 네트워크 기반 에너지 하베스팅 방법 및 시스템 | |
| KR102607993B1 (ko) | 양자화를 이용한 뉴럴 네트워크 연산 방법 및 장치 | |
| US20220284299A1 (en) | Method and apparatus with neural network operation using sparsification | |
| US20220237487A1 (en) | Accelerator for processing inference tasks in parallel and operating method thereof | |
| KR102614909B1 (ko) | 희소화를 이용한 뉴럴 네트워크 연산 방법 및 장치 | |
| Nallathambi et al. | Probabilistic spike propagation for efficient hardware implementation of spiking neural networks | |
| KR20240023919A (ko) | 컴퓨팅 시스템의 성능 모델링 장치 및 방법 | |
| KR102547997B1 (ko) | 효율적인 메모리 접근 방식을 이용한 뉴럴 네트워크 연산 가속 방법 및 장치 | |
| KR20210113004A (ko) | 뉴럴 네트워크 연산을 위한 코드 생성 방법 및 장치 | |
| KR102479793B1 (ko) | 연합 학습을 이용한 뉴럴 네트워크 학습 방법 및 장치 | |
| US20220261644A1 (en) | Method and apparatus for generating task plan based on neural network | |
| KR102505819B1 (ko) | 혼탄 조합 생성 방법 및 장치 | |
| US20210279587A1 (en) | Method and apparatus for neural network code generation | |
| KR20220072237A (ko) | 그룹 레이블링 학습에서 뉴럴 네트워크 기반 효과적인 임베딩 벡터 생성 및 이를 이용한 레이블 예측 방법, 장치 및 그 예측 모델에서의 학습 방법 | |
| KR20230138372A (ko) | 뉴럴 네트워크 연산 장치 및 방법 | |
| KR20220159759A (ko) | 강화 학습을 통해 학습된 파라미터 결정모델에 기초한 pid 제어 방법 및 장치 | |
| KR20240022908A (ko) | 컴퓨팅 시스템 제어 장치 및 방법 | |
| JP7431263B2 (ja) | ニューラルネットワーク演算方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |