本稿では、電力効率の良いニューラルネットワーク加速を目的としたレイヤーごとの重み選択フレームワークを提案します。従来の手法は、重みに依存するMAC（掛け算と加算）ユニットの電力を活用してはいるものの、グローバルな活性モデルや粗いエネルギープロキシに依存し、実際のハードウェアでの効果が限定されていました。本研究では、各レイヤーの活性化統計と22ビット部分和のMSB-Hamming距離を統合したMACエネルギーモデルを構築し、これを用いて畳み込みレイヤーのエネルギーを予測します。さらに、エネルギー精度を共最適化する重み選択アルゴリズムを導入し、高エネルギーのレイヤーをグローバルな精度制約の下でより攻撃的に圧縮するレイヤーごとのスケジュールを適用します。さまざまなCNNモデルでの実験において、最大58.6%のエネルギー削減を達成し、精度は2-3%低下しましたが、従来の技術よりも優れた結果を示しました。