이광엽 연구실은 딥러닝 알고리즘의 효율적인 실행을 위한 하드웨어 가속기와 임베디드 GPU 설계에 중점을 두고 있습니다. 최근 인공지능 및 딥러닝 기술의 발전에 따라, 대규모 연산을 빠르고 저전력으로 처리할 수 있는 하드웨어의 필요성이 커지고 있습니다. 본 연구실은 SIMT 구조 기반의 GPU, BSPE 코어, 저면적·저전력 MAC 회로 등 다양한 하드웨어 가속기 구조를 개발하여, 딥러닝 신경망의 연산 효율을 극대화하고 있습니다. 특히, 모바일 및 임베디드 환경에서의 실시간 영상 처리, 화재 감지, 자율주행 등 다양한 응용 분야에 적합한 GP-GPU 및 NPU 구조를 연구합니다. 데이터 재사용 기법, 멀티스레드 관리, 캐시 메모리 최적화 등 하드웨어 자원의 효율적 활용을 위한 다양한 설계 기법을 도입하고 있습니다. 또한, FPGA 및 ASIC 기반의 프로토타입 구현을 통해 실제 환경에서의 성능을 검증하고, 산업체와의 협력을 통해 상용화 가능성을 높이고 있습니다. 이러한 연구는 정부 및 민간 프로젝트, 특허 출원 등으로 이어지며, 국내외 학술대회 및 저널에 활발히 발표되고 있습니다. 연구실의 하드웨어 설계 기술은 차세대 인공지능 시스템, 스마트 디바이스, 자율주행 자동차 등 다양한 산업 분야에서 핵심적인 역할을 하고 있습니다.

본 연구실은 영상 및 신호처리 분야에서 인공지능 알고리즘의 성능을 극대화하기 위한 하드웨어 최적화 연구를 수행하고 있습니다. 스테레오 영상 정합, 객체 인식, 화재 감지, 자율주행 차량의 상황 인식 등 다양한 영상처리 응용에 적합한 딥러닝 신경망 구조와 하드웨어 가속기 설계를 병행합니다. 예를 들어, 스테레오 영상에서 폐색에 강인한 신경망, 비전 트랜스포머 기반의 비디오 분류, 실시간 화재경보 시스템 등 실제 문제 해결에 초점을 맞춘 연구가 진행되고 있습니다. 이러한 알고리즘들은 하드웨어 자원이 제한된 임베디드 환경에서도 높은 성능을 발휘할 수 있도록, 파라미터 수 감소, 데이터 증강, 연산 병렬화, 메모리 접근 최적화 등 다양한 최적화 기법이 적용됩니다. 또한, GPGPU, FPGA, SoC 등 다양한 하드웨어 플랫폼에서의 구현 및 실험을 통해 실제 적용 가능성을 검증합니다. 연구실은 영상처리 알고리즘의 정확도 향상뿐만 아니라, 실시간 처리와 저전력 동작을 동시에 달성하는 것을 목표로 하고 있습니다. 이러한 연구 성과는 스마트TV, 자율주행 자동차, 모바일 디바이스, 산업용 IoT 등 다양한 분야에 적용되고 있으며, 관련 특허와 기술이전, 산학협력 프로젝트로도 이어지고 있습니다. 연구실은 실제 산업 현장에서 요구되는 문제를 해결하는 실용적이고 혁신적인 인공지능·하드웨어 융합 기술을 지속적으로 개발하고 있습니다.