서강대학교 전자공학과

 서강대학교 김홍석 교수 연구팀, 국가 전력망 AI 대전환 핵심 기술 개발 착수     ▲전자공학과 김홍석 교수님   국비 295억 원 규모 국가 AI-EMS 사업에서 AI 기반 전력망 최적화 핵심 연구 수행서강대학교 김홍석 교수 연구팀이 국가 전력망 운영의 미래를 책임질 대형 국가 연구개발사업의 핵심 연구기관으로 참여한다.   서강대학교는 2026년 7월 2일부터 3일까지 충북 오송에서 개최된 「국가 전력망 운영시스템의 AI 대전환 – 전력망 물리기반 AI 모델 개발 및 실증」 착수 워크숍에 참석하여 향후 5년간 추진될 국가 AI-EMS(Energy Management System) 개발 사업의 본격적인 시작을 알렸다.    이번 사업은 2026년부터 2030년까지 진행되는 국비 295억원 규모의 대형 국가 연구개발사업으로, 한국전력거래소(KPX) 최영민 처장 및 한국전기연구원(KERI) 민상원 박사가 각 세부과제 연구책임자를 맡고 있으며, 서강대는 총 12.5억의 연구비를 지원 받아 국내 전기공학 관련 주요 대학 및 기업들과 함께 차세대 국가 전력망 운영시스템(AI-EMS)을 개발한다. AI-EMS는 기존 규칙 기반 운영을 넘어, 인공지능을 활용하여 급격히 증가하는 재생에너지와 전력 수요 변화에 실시간으로 대응하는 국가 핵심 인프라 기술이다. 전력망은 국가 산업과 국민 생활을 지탱하는 기반 시설인 만큼, 이번 사업은 우리나라 전력 운영 패러다임을 AI 중심으로 전환하는 중요한 국가 프로젝트로 평가받고 있다.   AI가 국가 전력망의 '두뇌'를 만든다서강대학교 김홍석 교수 연구팀은 이번 사업에서 AI 기반 AC Optimal Power Flow(AI AC-OPF)와 AI 기반 Unit Commitment(AI UC)기술 개발을 담당한다. AC-OPF는 발전기 출력과 송전망 운전 상태를 동시에 고려하여 가장 경제적이면서도 안전한 전력망 운전 상태를 계산하는 핵심 기술이며, Unit Commitment는 수백 기의 발전소를 언제, 어떻게 가동할 것인지를 결정하는 국가 전력 운영의 핵심 의사결정 문제이다. 두 기술은 현재 국가전력망 EMS에서 가장 많은 계산 시간이 요구되는 핵심 엔진으로 알려져 있으며, 재생에너지 확대와 전력망의 복잡성이 증가할수록 그 중요성이 더욱 커지고 있다. 서강대학교는 인공지능과 물리 모델을 결합한 Physics-informed AI 기술을 적용하여, 기존 최적화 알고리즘의 높은 신뢰성을 유지하면서도 계산 속도를 획기적으로 향상시키는 차세대 AI 알고리즘을 개발할 예정이다.   전기공학과가 없는 서강대가 국가 전력망 AI를 이끌다특히 이번 사업은 전기공학과가 없는 서강대학교가 국가 전력망 운영의 핵심 AI 기술 개발을 맡게 되었다는 점에서도 큰 의미를 가진다. 서강대학교 전자공학과는 그동안 인공지능, 최적화, GPU 병렬컴퓨팅, 물리기반 AI(Physics-informed AI) 분야에서 축적한 연구 역량을 바탕으로, 전통적인 전력공학과 AI를 융합하는 새로운 연구 패러다임을 구축해 왔다. 이번 사업을 통해 서강대학교는 AI 알고리즘 연구를 넘어 실제 국가 전력망 운영시스템에 적용되는 핵심 기술을 개발하며, 전세계에서 가장 앞서서 국가 에너지 AI 분야를 선도하는 연구기관으로 자리매김할 것으로 기대된다.   국가 AI 인프라 시대를 준비하는 서강대학교최근 AI는 반도체, 의료, 제조를 넘어 국가 기반시설로 빠르게 확산되고 있다. 특히 전력망은 모든 산업의 기반이 되는 핵심 인프라로, AI 기반 EMS는 국가 에너지 안보와 탄소중립, 재생에너지 확대를 동시에 뒷받침할 핵심 기술로 주목받고 있다. 향후 5년 동안 서강대학교 연구팀은 참여기관들과 긴밀히 협력하여 차세대 국가 전력망 운영을 위한 AI 핵심 원천기술을 개발하고 실증을 수행할 예정이다. 이번 연구는 대한민국 전력망의 디지털 전환을 가속화하는 것은 물론, 향후 글로벌 AI 기반 에너지 관리 기술을 선도할 수 있는 기반을 마련할 것으로 기대된다.      

2026.07.23

 류성주 교수 연구팀,  반도체 설계 자동화 분야 Top Conference ‘ICCAD 2026’ 논문 채택     ▲ (왼쪽부터) 류성주 교수, 류재웅 석사과정, 기성민 석박통합과정, 박재하 석사과정, 전상규

2026.07.13

    4D Gaussian Splatting 주제로 인공지능 분야 Top Conference “ECCV 2026” 논문 채택     염수웅 석박통합과정, 남준식 석박통합과정, 최승규 석사과정  서강대학교 전자공학과 강석주 교수 연구팀 (염수웅 석박통합과정, 남준식 석박통합과정, 최승규 석사과정)과 김준수 박사 (한국전자통신연구원), 윤국진 박사 (한국전자통신연구원), Lucas Yunkyu Lee (포항공과대학교), 김상민 (서울대학교), 박재식 교수 (서울대학교), 공경보 교수 (부산대학교)로 이루어진 공동 연구팀의 논문이 컴퓨터 비전 및 인공지능 분야 최고 권위의 국제 학술대회인 'ECCV 2026(European Conference on Computer Vision)'에 최종 채택되었다. ECCV는 IEEE/CVF에서 주관하는 CVPR, ICCV와 함께 컴퓨터 비전 및 머신 러닝 분야 세계 3대 최우수 학회로 꼽히며 최고 권위를 자랑한다.   이번에 채택된 논문 제목은 ‘TRiGS: Temporal Rigid-Body Motion for Scalable 4D Gaussian Splatting’으로, 연구팀은 장시간의 동적 비디오를 효과적으로 렌더링할 수 있는 새로운 4D 가우시안 스플래팅(4DGS) 기술인 “TRiGS” 모델링을 최초로 제안하였다.   연구팀은 기존의 4D 가우시안 스플래팅 모델들이 객체의 복잡한 움직임을 처리할 때, 짧은 시간 창이나 조각난 선형 속도(Piecewise linear velocity) 근사에 의존하여 가우시안을 끊임없이 제거하고 재생성해야하는 “시간적 단편화(Temporal Fragmentation)” 문제가 발생한다는 점을 지적했다. 이로 인해 객체의 장기적인 시간적 정체성이 훼손되고 메모리 사용량이 기하급수적으로 폭증하여, 긴 비디오 시퀀스에 적용하기에는 심각한 한계가 있었다.   이러한 성능 병목 현상을 해결하기 위해 연구팀은 조각난 근사 방식에서 벗어나, “연속적인 기하학적 변화(Continuous Geometric Transformations)”을 활용해 강체 모션을 최적화하는 TRiGS를 개발했다.   이 논문의 핵심은 복잡한 회전과 병진 운동을 하나의 연속적인 변환으로 통합하는 “결합된 SE(3) 변환”과 비선형적인 움직임을 정밀하게 포착하는 “계층적 베이지어 잔차(Hierarchical Bezier Residuals)”블록이다. 또한, 연구팀은 단일한 전역 중심에 의존하지 않고 각 가우시안에 독립적인 회전 중심을 부여하는 “로컬 앵커(Local Anchors)”를 도입하여 안정적이고 세밀한 로컬 모션 최적화를 달성했다.결과적으로 불필요한 가우시안 증식을 원천적으로 억제하여 전체 모델 파라미터를 약 0.5M개(160MB 수준)로 제한하면서도 기존 최고 성능 모델들을 뛰어넘는 결과를 달성했다. 실험 결과, TRiGS는 N3V, SelfCap등 주요 벤치마크 데이터셋에서 600~1200 프레임에 달하는 긴 시퀀스에서도 심각한 메모리 오버헤드나 렌더링 품질 저하 없이 압도적으로 안정적인 동적 뷰 합성 성능을 보여주었다.   이번 연구에 참여한 학생들은 “강석주 교수님께서 사려 깊게 지도해주시고 연구실 동료들이 아낌없는 도움을 주셔서 좋은 결실을 맺을 수 있었다. 컴퓨터 비전 최우수 학회에 논문이 등재되어 매우 기쁜 마음이며, 앞으로도 의미 있는 연구 결과를 낼 수 있도록 노력하겠다.” 라고 소감을 전했다.  ‣제안하는 방법과 기존 방법의 차이점   ‣제안하는 움직임 모델링 ‣기존 방법론과 제안 방법론에 대한 정성적 비교 결과  ‣논문 제목: TRiGS: Temporal Rigid-Body Motion for Scalable 4D Gaussian Splatting‣저자 정보: 염수웅 석박통합과정 (공동 1저자), 남준식 석박통합과정 (공동 1저자), 최승규 석사과정 (공동 1저자), Lucas Yunkyu Lee, 김상민, 박재식 교수, 김준수 박사, 윤국진 박사, 공경보 교수 (공동 교신저자), 강석주 교수 (공동 교신저자)    

2026.07.02

 장승희 석사생, 국제 저명 저널 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing에 제1저자로 논문 게재    

2026.05.20

 전자공학과 박형민 교수 연구팀, 세계 최우수 인공지능 학회 ‘ICML 2026’ 논문 채택     ▲ (왼쪽부터) 박형민 교수, 신의협 박사, 고재현 박사과정, 정우철 석사과정   박형민 전자공학과 교수가 지도하는 지능정보처리 연구실 연구팀이 세계 최고 권위의 인공지능 및 기계학습 학회인 International Conference on Machine Learning, ICML 2026에서 논문을 발표한다.   이번 연구는 전자공학과 신의협 박사가 주도하고, 고재현 박사과정과 정우철 석사과정이 함께 참여해 수행되었다. 발표 논문 제목은 “Query-Based Asymmetric Modeling with Decoupled Input-Output Rates for Speech Restoration”으로, 연구팀은 열악한 환경에서 녹음된 다양한 샘플링 주파수의 입력 음성을 효과적으로 복원할 수 있는 새로운 딥러닝 네트워크 구조를 제안하였다.   음성 복원(Speech Restoration)은 잡음, 반향, 대역 제한, 디지털 왜곡 등으로 인해 품질이 저하된 음성을 사람이 듣기에 깨끗하고 자연스럽게 복원하는 기술이다. 기존 연구들은 대부분 고정된 입출력 샘플링 주파수를 가정해 모델을 설계해 왔다는 한계가 있었다.   이에 연구팀은 임의의 입력 샘플링 주파수를 가진 음성을 처리하면서도, 사용자가 원하는 임의의 출력 샘플링 주파수로 복원할 수 있는 보다 유연한 음성 복원 모델을 설계하였다. 이를 위해 입력 음성의 대역 정보를 분석하는 인코더와 출력 음성을 복원하는 디코더의 역할을 분리한 입력 대역 분석 인코더–출력 대역 복원 디코더 기반의 비대칭 네트워크 구조를 제안하였다.  <입력 대역 분석 인코더–출력 대역 복원 디코더의 비대칭 모델링을 제안한 TF-Restormer 네트워크 구조>   한편 ICML은 인공지능(AI) 및 기계학습 분야의 발전을 다루는 세계 최고 수준의 국제 학회 중 하나로, 매년 전 세계 학계와 산업계의 연구자, 기업 관계자들이 참여해 최신 연구 성과와 혁신 기술을 발표하고 논의하는 자리이다. 특히 기계학습 이론, 알고리즘, 딥러닝, 강화학습 등 AI 핵심 분야의 주요 연구들이 공유되는 대표 학회로 평가된다. ICML 2026은 2026년 7월 6일부터 11일까지 대한민국 서울 COEX에서 개최된다.   ▶ 논문제목: Query-Based Asymmetric Modeling with Decoupled Input-Output Rates for Speech Restoration▶ 저자 정보: 신의협(제 1저자), 고재현(제 2저자), 정우철(제 3저자), 박형민 교수(교신저자, 서강대)▶ 데모 페이지: https://tf-restormer.github.io/demo/ 

2026.05.04

 김장생·김상완·김시현 교수 연구팀, 2026년 PIM 인공지능반도체핵심기술개발(소자) 사업 선정      ▲ (왼쪽부터) 김장생 교수, 김상완 교수, 김시현 교수  본교 전자공학과/시스템반도체공학과/반도체공학과 김장생 교수, 김상완 교수, 김시현 교수로 이루어진 공동연구진이 과학기술정보통신부와 한국연구재단이 주관하는 2026년도 PIM 인공지능반도체핵심기술개발(소자)사업에 선정되었다. 연구 과제명은 「비트가중 3차원 IGZO FeNAND 기반 초고차원 인-센서 리저버 컴퓨팅 플랫폼」으로, 2026년 4월부터 2028년 12월까지 2년 9개월간 총 6억원의 연구비를 지원받는다.     최근 엣지 AI 및 온디바이스 인공지능의 확산과 함께, 센서 단계에서 데이터를 직접 처리하는 인-센서 컴퓨팅과 메모리 내 연산을 수행하는 PIM(Processing-In-Memory) 기술이 차세대 반도체 패러다임으로 부상하고 있다. 특히 비전 센서 기반 AI 응용에서는 데이터 이동에 따른 지연과 에너지 소모가 주요 병목으로 작용하며, 이를 해결하기 위한 초저전력·고효율 하드웨어 구조의 필요성이 크게 증가하고 있다. 본 연구는 이러한 한계를 극복하기 위해 강유전체(HZO)와 산화물 반도체(IGZO)를 기반으로 한 수직 적층형 3D FeNAND 구조를 활용하여, 센서-메모리-연산이 통합된 초고차원 인-센서 리저버(reservoir) 컴퓨팅 플랫폼을 구현하는 것을 목표로 한다. 또한 다중 마스크를 활용한 새로운 컴퓨팅 구조를 제안하여 기존 리저버 컴퓨팅의 집적도 한계와 상태 중첩 문제를 동시에 해결하고자 한다. 본 연구개발과제를 통해 연구진은 소재–소자–시스템을 아우르는 전주기적 연구를 수행하게 된다.   이번 연구는 기존 폰 노이만 구조의 데이터 이동 병목을 근본적으로 완화하고, 센서 단계에서 고차원 시계열 데이터를 초저전력으로 처리할 수 있는 차세대 AI 반도체 구조를 제시한다는 점에서 중요한 의미를 갖는다. 나아가 다중 마스크 기반 리저버 컴퓨팅 개념을 통해 효율적으로 연산 차원을 확장할 수 있는 새로운 패러다임을 제시하며, 차세대 반도체 분야에서 국내 기술 경쟁력 확보와 산업적 확장에 기여할 것으로 기대된다.  

2026.04.20

 김성진 교수 SPAD 센서 연구팀, 반도체 집적회로 최고 학술대회 ‘IEEE Symposium on VLSI Technology and Circuits 2026’ 논문 채택   ▲ (왼쪽부터) 김성진 교수, 황정혜 석박통합과정  본교 시스템반도체공학과/전자공학과 김성진 교수 SPAD 센서 연구팀의 연구 결과가 반도체 집적회로 분야 세계 최고 학회 중 하나인 ‘IEEE Symposium on VLSI Technology and Circuits, 이하 VLSI 2026’에 선정되었다.   VLSI는 반도체 소자 분야와 집적회로 분야 논문을 같이 다루는 학회로 ISSCC와 함께 반도체 회로 분야에서 가장 높은 권위를 가지고 있으며 nVidia, SK 하이닉스, 삼성전자, TSMC 등 관련 분야 세계 최고의 기업에서 최신 기술을 소개하는 경연장이다.   해당 논문의 제목은 “A 3.86 TOPS/W TTFS-Based Neuromorphic Image Sensor Featuring Clocked-Recharging SPAD Pixels and Sub-Pixel-Array-Level Processing”이다.      이번 연구는 최근 각광받고 있는 연구 분야인 온디바이스 AI 반도체 분야의 연구 결과로, 구체적으로는 이미지센서에 전처리 기능을 하는 프로세서를 집적하여 추론을 통해 영상 인식을 할 수 있는 뉴로모픽 이미지센서에 관한 것이다. 인간의 뇌를 모방한 spike neural networking 연산을 이미지센서 어레이 내에서 수행하며, 초고감도 소자인 Single-Photon Avalanche Diode(SPAD)를 사용하여 영상 신호를 spike 신호로 변환하고 이를 시간 축에서 표현하는 Time-to-First-Spike 방식을 픽셀 내부에 구현하였다. 또한, 전력 및 면적 효율이 높은 아날로그 회로를 활용하여 모든 픽셀 내에서 연산을 동시에 수행하여 전력 소모 대비 연산량을 높이는 기술을 선보였다. 향후 메모리와 프로세서의 사용을 최소화하면서 다양한 영상 인식이 가능한 이미지센서 연구로 이어져 Physical AI의 핵심 기술로 자리매김 할 것으로 기대된다.   이번 연구는 울산과학기술원 소속이면서 서강대학교에서 연구하고 있는 황정혜 학생의 주도로 진행되었으며, 한국연구재단에서 지원하는 한-EU 국제협력사업(RS-2024-00439307)과 IITP의 양자 센싱 사업(RS-2025-02217613)의 지원을 받아 이루어졌다,   

2026.04.08

  김홍석 교수 연구팀, 에너지 분야 국제 저명 저널 Journal of Energy Storage 논문 게재    ▲ (왼쪽부터) 전지훈 석박통합과정, 천호진 석박통합과정, 김민수 교수(한밭대), 서형석 석박통합과정, 김홍석 교수    본교 전자공학과 전지훈 석박사통합과정과 천호진 석박통합과정, 김민수 교수, 서형석 석박통합과정 (지도교수 김홍석)의 논문이 에너지 분야 국제 저명 저널인 Journal of Energy Storage (2026년 기준 JCR Impact Factor 9.8)에 게재되었다.    본 연구는 배터리의 사용 이력이나 운용 조건에 의존하지 않는 usage-agnostic 진단 프레임워크를 제안하며, 전압 relaxation 신호만을 활용하여 용량(capacity), 상태(SOH), 양극재(cathode)를 동시에 추정하는 멀티태스크 학습 구조를 설계하였다. 특히, 전기화학적 해석이 가능한 KG-ECM(Knowledge-Guided Equivalent Circuit Model)을 기반으로 relaxation 곡선에서 물리적으로 의미 있는 특징을 추출하고, 이를 딥러닝 모델의 입력으로 활용한다.제안된 모델은 단일 인코더를 기반으로 공유 임베딩을 학습하며, 회귀 기반의 용량 추정과 함께 SOH 및 양극재 분류를 위해 supervised contrastive learning(SupCon)을 통합한 multi-task contrastive learning framework를 구성한다. 이를 통해 동일 클래스 간 임베딩은 가깝게, 다른 클래스 간은 멀어지도록 학습되어, 서로 다른 진단 과제를 동시에 수행하면서도 높은 표현력을 유지한다.실험 결과, 제안된 방법은 기존 통계 기반 특징 대비 용량 추정 정확도를 크게 향상시키며, 단일 태스크에서 RMSE 0.0026, 멀티태스크 환경에서도 RMSE 0.0108 수준의 높은 성능을 달성하였다. 또한 SOH 진단 정확도 94.6%, 양극재 식별 정확도 99.6%를 기록하여, 하나의 모델로 다양한 배터리 진단을 동시에 수행할 수 있음을 입증하였다.이를 통해 본 연구는 멀티태스크 + contrastive learning 기반의 통합 배터리 진단 방법을 제시하며, 실제 EV 및 ESS 환경에서 활용 가능한 효율적이고 실용적인 솔루션을 제공한다.   논문명: Battery Usage-Agnostic Multi-Task Diagnostics Using Contrastive Learning and Knowledge-guided Voltage Relaxation저널명: Journal of Energy Storage (IF 9.8)저자명: 전지훈 (서강대학교), 천호진 (서강대학교), 김민수 (한밭대학교), 서형석 (서강대학교), 김홍석 (서강대학교)  

2026.03.31

  김성진 교수, 2026년 한국연구재단 핵심연구 사업 선정   ▲ 시스템반도체공학과/전자공학과 김성진 교수님  본교 시스템반도체공학과/전자공학과/반도체공학과 김성진 교수는 과학기술정보통신부와 한국연구재단이 주관하는 2026년 개인기초사업 핵심연구(도약형 유형2) 사업에 선정되었다. 연구 과제명은 “픽셀 별 거리 기반 시공간 해상도 자동 최적화 및 물체 동작 인식 가능한 차세대 로봇용 라이다 비전 센서 개발”로, 2026년 3월부터 2029년 2월까지 3년 간 총 10.5억을 지원받는다. 본 연구 과제는 지난 2021년 3월부터 2026년 2월까지 5년간 김성진 교수 연구팀이 수행해 온 ‘개인기초연구사업 중견연구’의 공식 후속 과제로, 지난 연구를 통해 도출된 핵심 기술과 연구 성과의 우수성을 인정받아 연구 개발의 단절 없는 지속과 심화된 기술 확보를 위해 정부의 전폭적인 지원 아래 추진된다. 이번 연구의 핵심은 기존 과제에서 성공적으로 구현했던 ‘거리 기반 적응형 프레임 속도 조절’ 라이다 센서 구조를 한 단계 더 진화시키는 데 있다. 기존의 거리 측정 및 속도 조절 기능을 기반으로, 공간 해상도를 상황에 맞게 능동적으로 제어하는 기술을 통합하고, 더 나아가 단순한 거리 측정을 넘어 물체의 복잡한 동작까지 실시간으로 감지하고 인식할 수 있는 ‘차세대 로봇용 라이다 비전 센서’를 개발한다. 최근 급격히 부상하고 있는 Physical AI 시대에는 로봇이 물리적 환경을 얼마나 정확하고 지능적으로 인지하느냐가 핵심 경쟁력으로 로봇의 눈에 해당하는 이미지 센서를 단순히 보는 도구에서 생각하고 판단하는 지능형 시스템으로 변화시킴으로써, 본 연구를 통해 우리 실생활에 깊숙이 들어올 휴머노이드 로봇 기술의 견고한 초석을 마련할 수 있을 것으로 기대한다.     김성진 교수의 Bio-inspired Advanced Sensors Lab은 아날로그 집적회로 설계를 기반으로 다양한 이미지 센서 및 바이오 인터페이스 회로를 연구하고 있다. 독창적인 SPAD와 TDC 구조를 설계하고 라이다 센서로 구현하였으며, 연구 결과를 반도체 올림픽이라 불리는 ISSCC 학회에서 지속적으로 논문을 발표하여 기술력을 인정받아 왔다. 이외에도 뇌 신경 신호를 읽어내는 저잡음 저전력 증폭기, Multi-electrode Array 회로, In-sensor-computing 등 최첨단 반도체 회로 기술을 개발하고 있다.   

2026.03.23

 김장생 교수, 2026년 한국연구재단 신진연구 사업 선정    ▲전자공학과 김장생 교수님  본교 전자공학과/시스템반도체공학과/반도체공학과 김장생 교수는 과학기술정보통신부와 한국연구재단이 주관하는 2026년 개인기초사업 신진연구(유형B) 사업에 선정되었다. 연구 과제명은 「대규모 LLM 추론을 위한 초광대역·저전력·고신뢰성 HBF 向 차세대 3D IGZO FeAND 어레이 개발」로, 2026년 3월부터 2031년 2월까지 5년간 총 7.5억원을 지원받는다.     최근 생성형 AI의 확산으로 대규모 언어모델(Large Language Model, LLM) 추론 과정에서 막대한 양의 가중치를 빠르고 효율적으로 읽어오는 메모리 기술의 중요성이 크게 부각되고 있다. 특히 HBM은 고속 캐시 역할에는 강점을 가지지만, 대규모 가중치를 저장하고 안정적으로 공급하기에는 용량과 전력 측면에서 한계가 있어 이를 보완할 수 있는 차세대 고대역폭 플래시(High Bandwidth Flash, HBF) 기술이 주목받고 있다. 김장생 교수 연구팀은 기존 3D NAND 기반 HBF가 갖는 높은 sensing latency, pass disturbance, 출력 왜곡, 신뢰성 저하 문제를 극복하기 위해, 병렬 읽기에 최적화된 수직 적층형 3D IGZO FeAND 어레이와 하부 CMOS 뉴런 회로를 통합한 새로운 구조를 제안하였다. 특히 저전력 구동이 가능한 HZO 강유전체와 저온 공정이 가능한 IGZO 채널을 기반으로, 초광대역·저전력·고신뢰성을 동시에 확보할 수 있는 차세대 HBF 핵심 원천기술을 개발하고, 최종적으로 FPGA 기반 플랫폼에서 LLM 추론 동작까지 실증하는 것을 목표로 한다. 본 연구개발과제를 통해 연구팀은 재료 및 공정 개발, 소자 및 어레이 제작, 신뢰성 분석, 회로·시스템 통합, 그리고 실제 AI 추론 성능 검증에 이르는 전주기적 연구를 수행하게 된다.   이번 연구는 차세대 AI 반도체 시스템에서 요구되는 대용량·초광대역 메모리 기술의 새로운 방향을 제시하고, 대규모 AI 추론의 병목으로 지적되는 가중치 접근 문제를 저전력·고효율 구조로 해결할 수 있는 기반을 마련할 것으로 기대된다. 또한 관련 핵심 기술의 선제적 확보를 통해 AI 반도체와 차세대 메모리 융합 분야에서 국내 기술 경쟁력 강화와 산업적 확장에 기여할 것으로 전망된다. 

2026.03.18

 김시현 교수, 2026년 한국연구재단 신진연구 사업 선정    ▲전자공학과 김시현 교수님  본교 전자공학과/시스템반도체공학과/반도체공학과 김시현 교수는 과학기술정보통신부와 한국연구재단이 주관하는 2026년 개인기초사업 신진연구(유형B) 사업에 선정되었다. 연구 과제명은 「멀티레벨 컴퓨트 인 메모리를 위한 모자이크 강유전체램 개발」로, 2026년 3월부터 2030년 2월까지 4년 간 총 6억원을 지원받는다.     최근 생성형 AI 기술의 급격한 발달로 인해 저전력·고집적 컴퓨팅 아키텍처인 Compute-in-Memory (CiM) 기술의 중요성이 커지고 있다. 기존 SRAM 및 eDRAM 기반 CiM은 면적 효율이 낮고 에너지 효율이 저하되는 문제를 안고 있다. 김시현 교수 연구팀은 이러한 한계를 극복하기 위해 하프니아 기반의 강유전체 램(FeRAM)을 활용한 새로운 멀티레벨 CiM 셀 기술을 제안하였다. MAC 연산에 특화된 3차원 적층 기반 FeRAM 구조혁신을 통해 멀티레벨 가중치를 아날로그 전압으로 통합하며, 데이터 파괴 없이 병렬 연산이 가능한 고효율 CiM 셀 스킴을 개발하는 것을 목표로 한다. 본 연구개발과제를 통해 연구팀은 소재 및 단위 공정 개발부터 셀/어레이 제작, 그리고 매크로 및 시스템 레벨의 성능 검증까지 아우르는 전주기적 연구를 수행하게 된다.   신소자 기술 개발을 통해 대규모 인공지능 연산을 위한 메모리의 에너지 소모, 성능, 비용 문제를 획기적으로 해결할 솔루션을 제시하며, 관련 기술 선점을 통해 향후 꾸준한 성장이 기대되는 하드웨어 기반의 인공지능 및 메모리 반도체 시장에서 국가경쟁력을 제고할 수 있을 것으로 기대된다. 

2026.03.17

 성민서 석사과정 (지도교수 김영욱), 2026 한국전자파학회 동계종합학술대회 최우수논문상 수상      ▲ (왼쪽부터) 김영욱 교수, 성민서 석사과정생   2026년도 한국전자파학회 동계종합학술대회에서 전자공학과의 인공지능 레이다/RF 연구실(지도교수 김영욱)의 성민서 석사과정 학생이 최우수논문상을 수상하였다.    성민서 석사과정 학생은 ‘Correlation-Regularized CNN-QNN for Radar Micro-Doppler Robotic Dog Classification’이라는 제목으로 최우수논문상을 수상하였다. 본 연구는 레이다 기반 로봇 개 분류 성능 향상을 위해 양자 인공 신경망 학습 방식을 제안하였다. 특히 기존 고전 모델과는 다른 피처간의 상관관계를 고려하여 피쳐를 추출하는 방식을 도입하여 분류 성능을 개선하였다. 이를 통해 양자 인공 신경망을 활용한 레이다 이미지 분류 기법 발전에 기여하였다. 이 연구의 확장된 내용은 CVPR 2026 Findings에서 발표가 된다.    뿐만 아니라 동규헌, 김동하, 최승우, 이채원 학부연구생 팀은 ‘Cross-Attention 기반 BEV 카메라-레이더 퓨전 3D 객체 탐지와 지식 증류 기법을 통한 모델 경량화’ 연구로 대학생 창의설계 경진대회 장려상을 수상하였다. 해당 연구에서는 Cross-Attention 카메라-레이더 퓨전의 성능을 정량적으로 분석하고, 지식 증류 기법을 활용해 모델을 경량화하였다   김영욱 교수의 인공지능 레이다/RF 연구실은 인공지능 및 Quantum Computing을 이용한 레이다 신호처리, 응용 전자기학, 안테나 설계와 관련된 다양한 분야를 연구하고 있다. 특히 전자파를 이용한 인공지능 기반 인체 행동 분석 분야에서 세계적인 성과를 거두고 있으며, 최근에는 Quantum Computing을 이용한 새로운 접근 방식의 레이다 표적 식별 연구를 진행하고 있다. 

2026.03.16