김장우 연구실의 핵심 축 가운데 하나는 고성능 컴퓨터 시스템을 위한 컴퓨터 아키텍처와 하드웨어 구조 설계이다. 연구실은 프로세서, 메모리 계층, 캐시, 스토리지, 입출력 장치, 서버 구조를 통합적으로 바라보며, 실제 대규모 워크로드에서 높은 성능과 전력 효율을 동시에 달성할 수 있는 시스템 구조를 탐구한다. 특히 단일 칩 수준의 미시적 최적화에 머무르지 않고, 시스템 전체의 데이터 이동, 자원 공유, 병목 현상, 장치 간 상호작용까지 고려하는 전방위적 접근이 두드러진다. 이 연구 방향은 DRAM 캐시 구조, 멀티코어 프로세서 평가 방법론, SSD 및 스토리지 시스템 분석, 디바이스 중심 서버 아키텍처, 장치 간 직접 통신 등 다양한 주제로 확장된다. 연구실의 학술 발표와 특허에서는 캐시 태그 구조 단순화, 메모리 채널 분할, 고속 설계공간 탐색, 블랙박스 SSD의 비정상 동작 예측, 장치 간 데이터 경로 최적화 같은 문제가 반복적으로 등장한다. 이는 연구실이 단순히 연산 성능을 높이는 데 그치지 않고, 실제 시스템에서 발생하는 지연, 오버헤드, 자원 경합을 구조적으로 해결하려는 성향을 보여준다. 이러한 연구는 데이터센터, 클라우드 인프라, 고성능 서버, 차세대 컴퓨팅 플랫폼의 기반 기술로 이어진다. 특히 하드웨어 자원의 활용률을 높이고, 시스템 평가의 정확도를 높이며, 새로운 장치가 추가되어도 유연하게 확장 가능한 구조를 만드는 데 중요한 의미가 있다. 연구실의 성과는 학문적으로는 컴퓨터 구조 분야의 정밀한 모델링과 평가 방법을 발전시키고, 산업적으로는 대규모 서비스 환경에서 실용적인 시스템 설계 지침을 제공한다.

연구실은 인공지능 워크로드를 효율적으로 처리하기 위한 AI 반도체와 이기종 가속 시스템 설계에 집중하고 있다. 최근 프로젝트와 논문, 특허를 종합하면 NPU, FPGA, GPU, ASIC, PIM 등 서로 다른 연산 장치를 결합해 학습과 추론을 가속하는 시스템 수준 연구가 매우 강하게 나타난다. 이는 대규모 신경망이 요구하는 높은 연산량과 메모리 대역폭, 그리고 빠르게 변화하는 연산 패턴에 대응하기 위한 전략으로 이해할 수 있다. 구체적으로 연구실은 신경망 학습 시스템의 장치 오케스트레이션, 보조 연산을 포함한 전체 학습 파이프라인 최적화, 스파이킹 신경망 추론 평가 방법론, 메모리 기반 신경망 가속, 대규모 RNN 및 NLP 모델 가속, 수직 적층 소자 기반 AI 가속 시스템 등을 다룬다. 특히 DLS와 같은 연구에서는 연산 집약적 작업은 특화 가속기에, 변화가 잦고 유연성이 필요한 작업은 FPGA나 GPU에 배치하는 방식으로 성능과 적응성을 동시에 확보한다. 또한 PIM 활용을 위한 소프트웨어 플랫폼 연구는 하드웨어만이 아니라 컴파일러, 프레임워크, 프로그래밍 모델까지 함께 설계하는 공동 최적화 철학을 보여준다. 이 연구 주제는 초거대 AI 시대의 핵심 병목인 데이터 이동과 에너지 소모를 줄이는 데 직접 연결된다. 연구실의 접근은 단순한 칩 성능 향상을 넘어, 데이터센터 서버 구성, AI 반도체 배치 전략, 소프트웨어 스택 통합, 실제 서비스 환경에서의 확장성까지 포괄한다. 따라서 본 연구는 차세대 AI 인프라 구축과 국내 AI 반도체 경쟁력 강화, 그리고 산업 현장에서 즉시 활용 가능한 시스템 설계 방법론 확립에 큰 파급력을 가진다.

김장우 연구실은 계산과 저장의 경계를 재구성하는 스토리지 가상화 및 데이터센터 시스템 최적화 연구도 활발히 수행하고 있다. 관련 특허와 학회 발표를 보면 계산저장장치, 가상 머신 지원 스토리지 가상화, FPGA 보조 가상 디바이스 에뮬레이션, 인라인 데이터 축소, 데이터센터 워크로드 분석 플랫폼 등 저장장치와 서버 아키텍처를 긴밀히 연결하는 연구가 축적되어 있다. 이는 데이터 중심 워크로드가 증가하는 환경에서 CPU만으로 모든 처리를 감당하는 기존 구조의 비효율을 극복하려는 시도라고 볼 수 있다. 연구실의 접근은 스토리지 장치 내부 또는 장치 근처에서 데이터 처리 기능을 수행하게 하고, 가상화 계층이 이를 효율적으로 제어하도록 만드는 데 초점을 둔다. 장치 간 직접 통신, 커맨드 큐 기반 제어, 가상 머신 주소와 물리 장치 주소의 매핑, 계산저장장치의 리디렉션 및 처리 요청 등은 스토리지 가상화의 핵심 요소로 제시된다. 또한 대규모 AI 워크로드를 위한 데이터센터 시뮬레이션·프로파일링 플랫폼 개발 프로젝트는 서버 자원 활용률을 높이고 유휴 자원을 줄이기 위한 정량적 분석 기반을 제공한다. 이러한 연구는 데이터센터의 비용, 지연 시간, 전력 소모, 확장성을 동시에 개선하는 데 중요한 기여를 한다. 특히 AI 서비스와 클라우드 환경에서는 데이터 이동이 전체 성능을 좌우하므로, 저장장치와 연산장치의 역할을 재배치하는 기술이 매우 중요하다. 연구실의 성과는 차세대 데이터센터가 더 빠르고 유연하며, 가상화 환경에서도 높은 처리량을 유지할 수 있도록 하는 기반 기술로 평가할 수 있다.

연구실의 또 다른 차별화된 연구 방향은 초저온 및 초전도 기술에 기반한 차세대 초고성능 컴퓨터 아키텍처이다. 관련 국가 과제와 ISCA, ASPLOS, MICRO 등 주요 학회 발표를 통해 볼 때, 연구실은 상온 CMOS 시스템의 성능 정체와 전력 한계를 넘어설 수 있는 새로운 컴퓨팅 패러다임을 체계적으로 탐색하고 있다. 초저온 환경은 기존 반도체 시스템과 다른 물리적 제약과 기회를 동시에 제공하므로, 단순한 회로 치환이 아니라 메모리, 캐시, 프로세서, 시스템 전체의 재설계가 필요하다. 연구실은 CryoCore, CryoCache, CryoGuard와 같은 연구를 통해 초저온 환경에서의 프로세서 구조, 대용량 캐시 아키텍처, DRAM 안정성 문제를 다루고 있다. 이 과정에서 저온에서의 소자 특성 변화, 메모리 리프레시 요구, 집적도와 속도 간 균형, 전력 및 열 관리 문제를 구조 수준에서 해결하려는 시도가 이루어진다. 또한 컴퓨터 모델링과 시뮬레이션을 통해 아직 상용화되지 않은 기술의 잠재 성능과 설계 가능성을 정량적으로 평가한다는 점도 중요한 특징이다. 이 연구는 장기적으로 초고성능 컴퓨팅, 과학기술 계산, AI 학습 인프라, 미래 데이터센터의 근본적 혁신으로 이어질 수 있다. 현재의 반도체 미세화 전략만으로는 해결하기 어려운 성능·전력 문제에 대해, 연구실은 온도 환경 자체를 바꾸는 과감한 대안을 제시하고 있다. 따라서 이 분야는 미래 컴퓨팅의 기술적 지형을 재정의할 가능성이 큰 도전적 연구이며, 김장우 연구실의 선도성과 독창성을 잘 보여주는 주제라 할 수 있다.