김재하 연구실의 핵심 축 중 하나는 집적회로 설계, 특히 고속 데이터 전송과 정밀 클록 생성에 필요한 아날로그·디지털 혼합신호 회로 개발이다. 연구실은 PLL, CDR, 주파수 합성기, 고속 수신기 프런트엔드, 버퍼 및 분주기와 같은 핵심 회로 블록을 설계하며, 초고속 직렬 링크와 통신 시스템에서 요구되는 신호 무결성, 지터 내성, 전력 효율을 동시에 만족시키는 방법을 탐구해 왔다. 대표 논문인 blind oversampling 기반 clock and data recovery 연구는 통계적 위상 검출과 지터 허용 분석을 통해 고속 수신 시스템의 안정성과 성능을 체계적으로 고도화한 사례다. 이 연구는 단순히 회로 블록을 개별 설계하는 수준을 넘어서, 시스템 수준에서의 모델링과 검증까지 포괄한다. 연구실의 학회 발표 이력에는 SystemVerilog/XMODEL 기반 RF 트랜시버 모델링, NAND 플래시 센싱 시스템 시뮬레이션, DRAM 어레이 설계 공간 탐색, 아날로그/혼합신호 시스템의 수렴성 및 안전성 검증 등이 다수 포함되어 있다. 이는 실제 반도체 설계 과정에서 회로 성능뿐 아니라 검증 가능성, 설계 자동화, 개발 기간 단축이 매우 중요하다는 문제의식에 기반한다. 따라서 본 연구실은 회로 설계와 EDA적 접근을 연결하는 실용적 연구를 지속해 왔다. 이러한 연구는 차세대 통신, 고성능 메모리 인터페이스, 레이더, RF 시스템, SoC 통합 설계 등 폭넓은 응용으로 이어진다. 고대역폭과 저전력을 동시에 요구하는 현대 반도체 환경에서, 정밀한 타이밍 복구와 안정적인 클록 생성 기술은 시스템 전체 성능을 좌우하는 기반 기술이다. 연구실은 향후에도 고속 인터커넥트, 혼합신호 회로, 설계 검증 자동화를 통합한 연구를 통해 첨단 반도체 시스템의 신뢰성과 확장성을 높이는 방향으로 연구를 발전시킬 가능성이 크다.

김재하 연구실은 에너지 하베스팅과 초저전력 전력변환 회로를 결합한 자가구동 전자시스템 연구에서도 뚜렷한 성과를 보이고 있다. PMN-PZT 단결정 기반 유연 에너지 하베스터, 재구성 가능한 정류 회로, 배터리 충전기, 멀티소스 에너지 관리 알고리즘 등은 외부 전원 의존도를 낮추고 센서·웨어러블·임플란터블 기기의 지속 동작을 가능하게 하는 핵심 기술이다. 특히 생체 적합형 유연 소자를 이용해 체내 심장 박동으로부터 전력을 수확하고, 이를 무선 데이터 전송에 활용한 연구는 에너지 하베스팅과 바이오전자 시스템의 융합 가능성을 보여주는 대표적 사례다. 이 연구의 중요한 특징은 소재, 소자, 회로, 시스템을 유기적으로 연결한다는 점이다. 연구실은 높은 출력 전압과 전류를 생성할 수 있는 유연 압전 하베스터뿐 아니라, 그 출력을 효율적으로 사용하기 위한 정류기, 스위치 제어, 입력 전압 감시, 최적 온타임 생성기, 시간 슬롯 최적화 알고리즘까지 함께 연구한다. 관련 특허인 에너지 하베스팅 장치 및 제어 방법은 출력 전압을 감지하고 디지털 제어를 통해 동작점을 조절하는 구조를 제시하여, 실제 환경 변화에 대응하는 지능형 하베스팅 회로 기술로 확장되고 있음을 보여준다. 이러한 기술은 웨어러블 헬스케어, 국방용 자가발전 장비, 모바일 로봇, IoT 센서 노드, 배터리 교체가 어려운 의료기기 등 다양한 응용 분야에서 높은 파급력을 지닌다. 특히 초저전력 회로 설계 역량과 결합될 때, 에너지 하베스팅은 단순 보조전원이 아니라 시스템 구조 자체를 바꾸는 기술이 된다. 연구실은 앞으로도 초저전력 회로, 전력관리 집적회로, 자가구동 센서 플랫폼을 아우르며 지속가능한 전자시스템 구현에 기여할 것으로 기대된다.

김재하 연구실의 최근 연구 방향에서 가장 두드러지는 분야는 뉴로모픽 회로와 AI 반도체이다. 연구실은 스파이킹 신경망(SNN) 구현을 위한 뉴런 회로, 비휘발성 시냅스 어레이, 재구성형 뉴로모픽 코어, 메모리 기반 연산 구조를 집중적으로 연구하고 있다. 관련 프로젝트들에서는 IGZO 전하저장형 시냅스 소자, RRAM 시냅스 소자, 재구성 가능한 뉴런 어레이를 동일 다이에 집적하여 연결 구조를 유연하게 바꿀 수 있는 SNN 코어를 개발하는 목표가 제시된다. 이는 차세대 AI 연산을 기존 폰노이만 구조보다 훨씬 낮은 전력으로 수행하기 위한 핵심 접근이다. 연구실은 소자 수준의 비이상성까지 고려한 회로·아키텍처 공동 최적화에 강점을 가진다. 시냅스 소자의 비선형성, 변이, 드리프트 같은 특성은 뉴로모픽 시스템의 정확도와 신뢰성을 직접 저해할 수 있는데, 연구실은 이를 보완하는 뉴런 회로, 보상 회로, 성능 예측 프레임워크를 함께 개발한다. 또한 eFlash 기반 PIM 연구를 통해 메모리 내부 또는 인접 영역에서 연산을 수행함으로써 데이터 이동 비용을 줄이고, edge·모바일 환경에 적합한 고에너지효율 인공신경망 추론 칩 구현을 추진하고 있다. 이는 소자-회로-시스템 전 계층을 아우르는 AI 반도체 연구라 할 수 있다. 이 연구는 초거대 AI 시대의 병목으로 지적되는 전력 소모와 메모리 대역폭 문제를 해결하는 데 직접 연결된다. 특히 SNN과 PIM은 이벤트 기반 연산, 희소성 활용, 메모리-연산 통합을 통해 에너지 효율을 극대화할 수 있어, 로봇, 자율주행, 웨어러블 기기, 실시간 센서 처리와 같은 분야에 매우 적합하다. 연구실이 수행 중인 AI 반도체대학원 관련 사업과 다수의 뉴로모픽 과제는 이 분야에서의 연구 역량뿐 아니라 교육·산학협력 기반도 탄탄함을 보여주며, 향후 실용형 AI 반도체 설계의 중요한 거점 역할을 할 가능성이 높다.