강우철 교수

모바일 및 엣지 장치의 제한된 하드웨어 자원, 즉 전력과 연산량 내에서 고성능 DNN 모델을 실시간으로 구동해야 하는 수요가 증가함에 따라 이를 해결하기 위한 모델 경량화 기술을 연구하고 있습니다. 핵심 기술은 DMS(Dynamic Model Scaling)로, 직교성 정규화(orthogonality regularization)를 통해 학습 안정성을 확보하면서도 모델 크기를 동적으로 조절할 수 있는 구조를 설계했습니다. 이 방식은 기존의 고정된 모델 압축 방법과 달리 하드웨어 상황에 따라 모델 크기를 유연하게 스케일링할 수 있다는 점에서 차별성을 가집니다. 해당 기술은 모바일 임베디드 디바이스, IoT 엣지 디바이스, 온디바이스 AI 추론 환경에 적용되고 있으며, 특히 서버 연결 없이 기기 자체에서 딥러닝 연산을 수행해야 하는 온디바이스 AI 분야에서 활용 가치가 높습니다. 본 연구는 NeurIPS 2021에서 발표되었으며, 정확도를 유지하면서 모델 파라미터 효율을 50% 이상 향상시킨 성과를 확인했습니다. 현재 기술성숙도는 TRL 5 수준으로, 실험실 환경을 넘어 실제 적용 가능한 단계까지 검증이 진행되었습니다.

데이터베이스 및 사이버물리시스템: 자율주행 및 의료 시스템과 같은 Safety-critical 환경에서는 지연 시간이 시스템 안전성에 직접적인 영향을 미치기 때문에, 실시간성을 보장하는 임베디드 데이터베이스와 사이버물리시스템 기술을 연구하고 있습니다. 핵심 기술로는 DeepRT와 QeDB(Quality-aware Embedded Real-time Database)를 개발했으며, 이는 시스템 부하가 높은 상황에서도 목표 지연 시간을 준수하고 데이터 신선도를 최적화하기 위한 QoS 제어 기법을 기반으로 합니다. 특히 QeDB는 데이터의 신선도와 응답 시간 사이의 트레이드오프를 정량적으로 관리함으로써 자원이 제한된 임베디드 환경에서도 안정적인 데이터베이스 운영이 가능하도록 설계되었습니다. 이러한 기술은 사이버물리시스템(CPS), 실시간 임베디드 데이터베이스, 네트워크 통합형 의료기기 등 지연 시간에 민감한 시스템에 적용되고 있습니다. 관련 연구 성과는 Real-Time Systems(Springer)와 IEEE Transactions on Industrial Informatics 등 국제 저널에 다수 게재되었으며, 현재 기술성숙도는 TRL 4 수준입니다.

자율주행 환경은 조도나 차량 속도 변화 등 동적인 조건에 따라 연산량과 정확도의 균형을 실시간으로 관리해야 할 필요성이 존재하며, 이를 해결하기 위해 상황 인지형 신경망 가속 기술을 연구하고 있습니다. 핵심 기술은 Adaptive Depth Networks with Skippable Sub-Paths로, 네트워크의 깊이를 주행 상황에 따라 동적으로 스킵함으로써 추론 경로 자체를 최적화하는 방식입니다. 이를 통해 연산 자원이 충분한 상황에서는 깊은 네트워크 경로를 활용해 정확도를 높이고, 자원이 제한된 상황에서는 얕은 경로를 선택해 지연 시간을 줄이는 유연한 구조를 구현했습니다. 해당 기술은 자율주행차의 객체 탐지, 자율머신, 엣지 디바이스 기반 추론 시스템에 적용되고 있습니다. 본 연구는 NeurIPS 2024에서 발표되었으며, 실제 자율주행 데이터셋을 기반으로 한 실험에서 추론 가속률을 최대 38% 향상시킨 성과를 확인했습니다. 현재 기술성숙도는 TRL 4 수준으로, 실제 자율주행 플랫폼 적용을 위한 후속 검증이 진행되고 있습니다.