이 연구실은 VLSI와 시스템반도체 설계 전반에서 고성능·고신뢰성 구현을 위한 설계 및 검증 기술을 핵심 축으로 연구한다. 교수의 주요 연구 키워드가 VLSI와 high-level testing에 집중되어 있고, 관련 경력 또한 삼성전자 통신연구소와 ASIC 연구소에서의 SoC 구조설계 및 설계 키트 개발 경험으로 이어져 있어, 회로 수준과 시스템 수준을 연결하는 실용적 연구 성격이 강하다. 특히 모듈화된 회로, 기능 블록 기반 설계, 계층적 설계 방법론을 활용해 복잡한 시스템반도체를 효율적으로 개발하는 방향이 두드러진다. 연구 방법론 측면에서는 상위 수준 모델링, 계층적 테스트 생성, BDD 기반 알고리즘, HW/SW 통합 설계 및 검증 환경 구축이 중요한 기반을 이룬다. 대표 논문인 modular circuits를 위한 high-level delay test generation 연구는 구현 세부가 공개되지 않은 모듈형 회로에서도 강건한 지연 결함 검출이 가능하도록 새로운 결함 모델과 테스트 생성 기법을 제안하였다. 이는 대규모 SoC에서 검증 비용과 테스트 셋 크기를 줄이면서도 신뢰성을 유지하려는 산업적 요구와 직접 연결된다. 또한 최근 수행 중인 인공지능 반도체 개방형 개발환경 플랫폼 과제는 단순한 회로 설계 연구를 넘어 시스템 수준 가상화, SIP/TPP, 적용 모델, 네트워크 모델, HW/SW 통합 검증까지 포괄하는 확장된 반도체 설계 생태계를 지향한다. 이 연구는 실제 반도체 개발 현장에서 재사용 가능한 플랫폼과 설계자 지원 환경을 제공함으로써, AI 반도체 개발의 진입 장벽을 낮추고 설계 생산성을 높이는 데 기여할 수 있다. 결국 이 연구 주제는 회로 설계, 검증 자동화, 플랫폼화가 결합된 차세대 시스템반도체 연구의 중심 영역이라 할 수 있다.

이 연구실의 또 다른 핵심 분야는 저전력 반도체 설계와 전력 분석 자동화이다. 시스템반도체가 고집적·고성능화될수록 소비전력과 발열은 성능만큼 중요한 설계 제약 조건이 되며, 모바일·임베디드·AI 반도체에서는 특히 에너지 효율이 제품 경쟁력을 좌우한다. 연구실은 클럭 게이팅, 전력 모델링, 전력 추정, 에뮬레이션 기반 분석 등 다양한 접근을 통해 초기 설계 단계에서부터 전력 문제를 예측하고 최적화하는 기술을 축적해 왔다. 특허인 클럭 게이팅 집적 회로 장치의 소비 전력 예측 방법은 이 연구 방향을 잘 보여준다. 클럭 게이팅 셀을 검출하고 도메인을 추출한 뒤, 이를 기반으로 소비 전력 모델을 형성하여 회로의 전력 소모를 예측하는 방식은 실제 칩 구현 이전에 에너지 특성을 정량적으로 분석할 수 있게 한다. 학회 발표들에서도 클럭 게이팅 기반 상위수준 전력 모델링, 전력 상태 수 감소, FPGA 에뮬레이션 기반 전력 추정, 소프트웨어 전력 분석 등 전력 최적화를 위한 다층적 연구가 지속적으로 나타난다. 이러한 연구는 설계 자동화와 실측 기반 최적화를 연결한다는 점에서 의미가 크다. 단순히 평균 전력값을 계산하는 수준을 넘어서, 설계 구조와 동작 특성에 따른 전력 변동을 분석하고 이를 설계 의사결정에 반영할 수 있는 기반을 제공한다. 앞으로 AI 반도체와 엣지 디바이스가 확산될수록 저전력 설계는 더욱 중요해지며, 이 연구실의 전력 모델링 기술은 성능·전력·면적 간 균형을 요구하는 차세대 반도체 설계에서 실질적인 도구로 활용될 가능성이 높다.

이 연구실은 전통적인 반도체 설계 연구를 바탕으로 머신러닝과 신호처리 응용 분야로 연구 범위를 확장하고 있다. 주요 프로젝트에서 인공지능 반도체 개발을 위한 개방형 개발환경 플랫폼을 수행하고 있고, 교수의 연구 키워드에도 machine learning이 명시되어 있어, AI 알고리즘과 반도체 설계 환경을 연계하는 융합 연구가 중요한 축임을 알 수 있다. 이는 하드웨어 설계 자동화뿐 아니라, 실제 응용 문제 해결에 적합한 지능형 시스템 구현으로 이어진다. 대표적으로 유방 초음파 분석을 위한 end-to-end CNN 프레임워크 연구에서는 단순 B-mode 영상이 아니라 RF 신호로부터 생성된 다중 파라메트릭 영상을 입력으로 활용하여 분류 성능을 향상시켰다. 이는 데이터가 제한적이고 영상 품질이 낮은 의료 환경에서, 서로 보완적인 특징 정보를 결합해 딥러닝 성능을 높인 사례다. 또한 렌즈 왜곡 보정, 영상 보간, 실시간 동작 인식, 비전 인터페이스용 SoC 구조 설계 등 과거 발표 주제를 보면, 영상처리 알고리즘과 이를 구현하는 하드웨어 구조를 함께 고려하는 응용 지향적 연구 흐름도 확인된다. 이 연구 방향의 강점은 알고리즘과 하드웨어를 분리하지 않고 통합적으로 본다는 점이다. 즉, 머신러닝 모델의 정확도 향상만을 목표로 하지 않고, 실제 반도체 구현 가능성, 계산 복잡도, 실시간성, 에너지 효율까지 함께 고려하는 시스템적 접근이 가능하다. 따라서 이 연구실의 머신러닝 연구는 순수 소프트웨어 중심 AI보다는, AI 반도체·의료영상·컴퓨터 비전 등에서 실사용 가능한 지능형 컴퓨팅 시스템을 만드는 데 초점이 있다고 볼 수 있다.