이 연구 주제는 모바일 기기, 서버, 데이터센터, 엣지 장치 등 다양한 컴퓨팅 환경에서 프로세서 구조를 이해하고, 성능 저하를 최소화하면서 전력 소모와 발열을 줄이는 시스템 설계 기술을 다룬다. 연구실의 핵심 관심사는 이종 멀티코어 프로세서, CPU 코어 상태, 메모리 접근 특성, 워크로드 분배 방식 등을 종합적으로 분석하여 실제 사용 환경에서 효율이 높은 컴퓨팅 구조를 구현하는 데 있다. 특히 제한된 전력 예산과 열 설계 한계 안에서 사용자 체감 성능을 유지하는 것이 중요한 목표다. 이를 위해 연구실은 태스크 스케줄링, 코어 배치, 동적 발열 관리, CPU 온도 예측, 시스템 소프트웨어 수준의 제어 기법을 함께 연구한다. 모바일 웹 브라우징 환경에서 작업을 고성능 코어와 저전력 코어에 나누어 배치하는 방법, 이종 서버 환경에서 가상머신의 메모리 접근율에 따라 발열 대응 모드를 달리하는 방법, 기계학습 기반으로 CPU 온도를 예측하여 선제적으로 제어하는 방법 등이 대표적이다. 이러한 접근은 단순한 하드웨어 개선이 아니라 운영체제, 런타임, 워크로드 분석을 아우르는 시스템 관점의 최적화라는 점에서 의미가 크다. 연구의 기대 효과는 배터리 기반 모바일 장치의 사용 시간 연장, 데이터센터의 냉각 비용 절감, 고성능 컴퓨팅 시스템의 안정성 향상, 그리고 지속 가능한 컴퓨팅 인프라 구축에 있다. 최근에는 저전력 설계가 단순한 효율 문제를 넘어 탄소 배출 저감과도 직결되기 때문에, 이 연구는 친환경 ICT 인프라의 핵심 기반 기술로 확장되고 있다. 결과적으로 본 주제는 차세대 프로세서 구조와 시스템 소프트웨어가 함께 진화해야 한다는 관점을 바탕으로 실용성과 학문성을 모두 갖춘 연구 영역이라 할 수 있다.

이 연구 주제는 네트워크로 연결된 다양한 스마트 엣지 기기에서 딥러닝 추론과 학습을 효율적으로 수행하기 위한 시스템 수준 최적화를 다룬다. 최근 인공지능 서비스가 모바일, IoT, AR/VR, 게임, 실시간 분석 등으로 확장되면서, 모든 연산을 클라우드에 의존하지 않고 엣지에서 분산 처리하는 방식이 중요해지고 있다. 연구실은 이러한 환경에서 성능, 전력, 지연시간, 정확도 사이의 균형을 맞추는 실행 전략을 탐구하며, 실제 서비스 수준 목표를 만족하는 지능형 시스템을 설계하는 데 집중하고 있다. 구체적으로는 DNN 워크로드 특성 분석, 멀티 DNN 추론 최적화, 이기종 엣지 MPSoC 상의 실행 조절, 디바이스 그룹 수준의 에너지 최적화, 강화학습 기반 제어 등의 방법론을 활용한다. 또한 여러 장치가 함께 참여하는 환경에서 연합학습의 효율성을 높이기 위해 클라이언트 이질성, 데이터 이질성, 글로벌 파라미터 최적화 문제를 다룬다. 이러한 연구는 단일 장치 최적화에 머무르지 않고, 시스템 전체의 실행 경로와 자원 분배를 통합적으로 고려한다는 점에서 차별화된다. 이 주제의 파급력은 매우 크다. 스마트 엣지 시스템이 고도화될수록 에너지 효율적이고 지능적인 딥러닝 실행 기술은 산업 전반의 핵심 인프라가 된다. 연구실의 성과는 실시간 AI 서비스의 응답성을 높이고, 엣지 장치의 배터리 부담을 낮추며, 대규모 분산 AI 운영 비용을 절감하는 데 기여할 수 있다. 나아가 엣지 인텔리전스 시대에 필요한 시스템 소프트웨어, 하드웨어 협업 구조, 학습 및 추론 프레임워크의 새로운 설계 원칙을 제시하는 기반 연구로도 의미가 있다.

이 연구 주제는 컴퓨팅 시스템의 에너지 효율을 넘어, 실제 탄소 배출량까지 고려하는 친환경 실행 최적화를 다룬다. 재생에너지 기반 인프라가 확대되면서 동일한 연산이라도 언제, 어디서 수행하느냐에 따라 탄소 집약도가 달라질 수 있다. 연구실은 이러한 변화에 대응하여 소비자 장치, 엣지 서버, 클라우드 자원 사이에서 실행 위치와 시점을 지능적으로 선택함으로써 전체 탄소 배출을 줄이는 시스템 기술에 주목하고 있다. 대표적으로 엣지 컴퓨팅 환경에서 애플리케이션의 실행 대상과 규모를 조절하는 탄소 최적화 엔진, 그리고 이종 클라이언트가 참여하는 연합학습 과정에서 탄소 비용을 반영하는 최적화 기법이 포함된다. 여기서는 단순한 전력 측정만으로는 충분하지 않으며, 재생에너지의 간헐성, 장치별 실행 시간 변동, 내재 탄소 배출, 네트워크 조건, 워크로드 유형 등을 함께 고려해야 한다. 즉, 탄소 인지형 스케줄링은 시스템 연구, 에너지 모델링, 분산 실행 제어가 결합된 복합적인 문제다. 이 연구의 중요성은 지속 가능성이 미래 컴퓨팅의 핵심 지표로 부상하고 있다는 데 있다. 기존의 고성능·저전력 중심 최적화가 이제는 탄소 저감이라는 사회적 가치와 연결되면서, 시스템 설계의 평가 기준 자체가 확장되고 있다. 연구실의 접근은 AI, 게임, AR/VR 같은 실제 응용에서 탄소 배출을 유의미하게 줄일 수 있는 가능성을 보여주며, 향후 데이터센터 운영, 엣지 인프라 배치, 친환경 AI 서비스 설계에 실질적인 기준을 제공할 수 있다.