재료 실험실에서 쓰는 엣지 장치, 현미경 제어 PC, beamline 보조 장치, 로봇 제어기처럼 연산 자원이 제한된 목표를 하나 정해 보십시오. 그 장치에서 돌아가야 하는 분류기나 검출기를 대상으로, 8-bit 또는 더 낮은 정밀도 조건을 포함한 탐색을 시도할 수 있습니다.
예를 들어 현미경 이미지의 결함 검출, XRD 패턴의 상 분류, 실험 중 이상 신호 감지처럼 지연 시간과 전력 소모가 중요한 작업이 적합합니다. 먼저 작은 데이터셋에서 후보 구조를 몇 개만 비교하고, 배포 정합 학습이 단순 post-training quantization보다 안정적인지 확인하는 식으로 시작하는 것이 좋습니다.
만약 실제 하드웨어가 아직 정해지지 않았다면, 먼저 CPU/GPU 대신 목표 엣지 칩의 추론 제약을 모사한 환경에서 시험해도 됩니다. 중요한 점은 “성능-정확도”가 아니라 “실제 장치에서의 동작 가능성”을 최적화 대상으로 삼는 것입니다.