연구진은 기계 학습 모델을 활용하여 진화적 설계 및 최적화 과정을 개선하는 새로운 트랜스포머 기반 변이 연산자를 제안했어요. 이 연산자는 카르테시안 유전 프로그래밍(CGP)에 적용되어 근사 산술 회로를 자동으로 설계하는 데 사용돼요. 회로 근사 과정의 정체 현상을 막기 위해 표준 변이 연산자와 트랜스포머 기반 변이 연산자를 번갈아 사용하는 하이브리드 방식을 채택했어요.
수천 개의 CGP 염색체를 활용하여 트랜스포머를 훈련하는 새로운 훈련 방식을 개발했는데, 특정 오류 제약 조건에 대해 진화된 근사 곱셈기는 EvoApproxLib 라이브러리의 최첨단 회로보다 더 나은 성능을 보여줬어요. 훈련 및 진화 과정 모두 계산 비용이 많이 들지만, 기존 회로를 개선하고 새로운 회로를 개발하는 데 필수적인 단계로 보입니다.
새로운 방법은 기존 근사 회로를 개선하고 잠재적으로 특허를 받을 수 있는 새로운 회로 설계를 가능하게 할 수 있다는 점이 중요해요.