경량 AI는 제한된 자원을 가진 환경에서 인공지능 모델의 효율성을 극대화하는 기술을 연구하는 분야입니다. ODAI@UOS 연구실에서는 대규모 언어 모델(LLM)의 최적화, BitNet과 같은 양자화 기법, 그리고 스파이킹 뉴럴 네트워크(SNN)를 활용하여 에너지 효율성을 높이는 다양한 방법론을 개발하고 있습니다. 이러한 연구는 모바일 디바이스, 임베디드 시스템, IoT 기기 등에서 인공지능을 실시간으로 구동할 수 있도록 하는 데 중점을 두고 있습니다. 특히, 스파이킹 뉴럴 네트워크(SNN)는 생물학적 신경망을 모방하여 매우 낮은 전력 소모로도 높은 연산 성능을 발휘할 수 있는 차세대 인공지능 기술로 주목받고 있습니다. 연구실에서는 SNN 기반 비전 트랜스포머(Spiking ViT)에서 토큰 수를 동적으로 조절하는 STAS(Spatio-Temporal Adaptive Computation Time for Spiking Transformers)와 같은 혁신적인 프레임워크를 개발하여, 기존의 CNN이나 ANN 기반 모델 대비 에너지 효율성과 정확도를 동시에 향상시키고 있습니다. 이러한 경량 AI 연구는 자율주행차, 웨어러블 디바이스, 스마트 팩토리 등 실시간성과 에너지 효율이 중요한 다양한 응용 분야에 적용될 수 있습니다. 앞으로도 ODAI@UOS 연구실은 초저전력 뉴로모픽 AI 반도체, 실시간 LMM 플랫폼 등 미래 지향적 기술 개발을 통해 경량 AI의 한계를 지속적으로 극복해 나갈 계획입니다.

보안 AI는 인공지능 시스템이 다양한 위협에 대해 견고하게 동작할 수 있도록 하는 기술을 연구합니다. ODAI@UOS 연구실은 적대적 공격(Adversarial Attack)에 대한 방어, LLM 및 SNN 보안, 그리고 AI 시스템의 신뢰성 향상을 위한 다양한 기법을 개발하고 있습니다. 최근에는 다중 객체 추적 시스템(MOT)에 대한 BankTweak와 같은 새로운 적대적 공격 기법을 제안하여, 기존 시스템의 취약점을 분석하고 이를 보완하는 방안을 모색하고 있습니다. 연구실에서는 AI 모델이 실제 환경에서 다양한 공격에 노출될 수 있음을 인식하고, 공격 탐지 및 방어를 위한 실시간 스케줄링 프레임워크, 보안 중심의 혼합 임계 스케줄링, 정보 유출 방지 스케줄링 등 다양한 시스템적 접근법을 시도하고 있습니다. 예를 들어, ARES(Adaptive Robust Object Detection Framework)는 자율주행차와 같은 실시간 시스템에서 공격이 감지될 경우, 고성능-저보안 모드에서 고보안 모드로 전환하여 시스템의 안전성과 성능을 동시에 보장합니다. 이러한 보안 AI 연구는 자율주행, 스마트시티, 국방 등 안전과 신뢰성이 중요한 분야에 필수적으로 요구되며, 앞으로도 ODAI@UOS 연구실은 AI 시스템의 보안성 강화를 위한 선도적 연구를 지속할 예정입니다.

물리 AI는 인공지능이 실제 물리적 환경과 상호작용하며, 실시간으로 복잡한 의사결정을 내릴 수 있도록 하는 기술을 연구합니다. ODAI@UOS 연구실은 실시간 다중 객체 추적, 자율주행차의 인지 시스템, 임베디드 비전 시스템 등 다양한 물리 환경에서의 AI 적용을 위한 핵심 기술을 개발하고 있습니다. 특히, RT-SNN, Batch-MOT, RT-MOT 등 실시간 스케줄링 프레임워크를 통해 제한된 자원 내에서 정확도와 타이밍 보장을 동시에 달성하는 방법론을 제시하고 있습니다. 연구실의 물리 AI 연구는 컴퓨터 비전, 로봇 제어, 자율주행 등에서 요구되는 실시간성, 신뢰성, 에너지 효율성 문제를 해결하는 데 중점을 두고 있습니다. 예를 들어, CF-DETR(Coarse-to-Fine Transformer for Real-Time Object Detection)와 같은 기술은 객체의 중요도에 따라 추론을 동적으로 조정하여, 안전이 중요한 객체는 신속하게 탐지하고 전체 시스템의 정확도도 향상시킵니다. 이러한 연구는 실제 산업 현장, 교통 시스템, 스마트 팩토리 등 다양한 물리적 환경에서 인공지능의 실질적 활용도를 높이는 데 기여하고 있습니다. 앞으로도 ODAI@UOS 연구실은 물리 환경에서의 AI 적용을 위한 혁신적 기술 개발에 앞장설 것입니다.