김홍중 연구실의 핵심 연구 축 중 하나는 수치해석과 계산유체역학을 기반으로 한 과학적 계산이다. 연구실은 편미분방정식으로 기술되는 복잡한 물리 현상을 안정적이고 정확하게 계산하기 위한 수치 알고리즘 개발에 관심을 두고 있으며, 특히 유체의 흐름, 파동의 전파, 다공성 매질 내 이동 현상과 같이 비선형성과 불확실성이 동시에 존재하는 문제를 다룬다. 이러한 연구는 순수 수학적 이론에 머무르지 않고 실제 공학 및 자연현상 해석으로 확장될 수 있는 계산 프레임워크를 구축하는 데 목적이 있다. 구체적으로는 Lax-Friedrichs scheme, WENO scheme, adaptive mesh, adaptive time-stepping, relaxation scheme 등 고전적이면서도 실용적인 수치기법의 정확도와 안정성을 향상시키는 방향의 연구가 확인된다. 강제된 KdV 방정식에 대한 안정성 분석, Wiener chaos expansion 및 polynomial chaos expansion을 활용한 확률적 해석, 석유 저류층 특성화와 생산 예측 문제 등은 이 연구실이 결정론적 수치해석과 확률론적 모델링을 연결하고 있음을 보여준다. 즉, 단순한 계산 수행이 아니라 해의 구조를 이해하고 계산 오차를 정량화하며, 불확실한 외력이나 매개변수 변화에 강건한 계산법을 설계하는 데 중점을 둔다. 이 연구 방향은 산업적·학문적 파급력이 모두 크다. 유체 및 파동 문제의 정밀한 예측은 에너지, 환경, 재료, 생산 시스템 등 다양한 응용 분야에서 중요한 기반 기술이 되며, 적응형 격자와 고정확도 해석 기법은 계산 비용을 줄이면서도 신뢰할 수 있는 예측을 가능하게 한다. 앞으로도 연구실은 계산 성능과 해석 가능성을 함께 높이는 수치해석 방법론, 불확실성 정량화와 결합된 물리 기반 시뮬레이션, 그리고 공학 문제에 직접 연결되는 계산 모델 개발을 지속적으로 확장할 가능성이 높다.

연구실의 또 다른 대표 분야는 금융수학과 인공지능을 결합한 자산 가격 예측 및 포트폴리오 관리이다. 관련 프로젝트와 논문을 보면, 옵션 가격결정, equity-linked securities의 위험 분석, 마코프 체제전환 모형, 그리고 딥러닝 기반 헤징 및 자산 배분 연구가 주요 주제로 나타난다. 이는 전통적인 금융공학의 수학적 엄밀성과 현대 인공신경망의 예측 능력을 결합하여 불확실한 금융시장에서 더 정교한 의사결정을 지원하려는 연구 방향으로 이해할 수 있다. 연구실은 이항트리 방법 개선, cell average를 활용한 옵션 가격결정, adaptive lattice method, exotic option pricing 등 수치적 금융해석 기법을 꾸준히 발전시켜 왔다. 최근에는 딥러닝을 이용한 포트폴리오 관리 과제를 통해 금융자산 가격 및 리스크 예측 정확도를 높이고, 이를 바탕으로 자산 재분배를 최적화하는 문제를 다루고 있다. 또한 covariance uncertainty 하에서의 robust deep hedging, data-driven portfolio optimization with signatures와 같은 연구는 시장의 구조적 불확실성과 데이터 기반 전략의 강건성을 동시에 고려한다는 점에서 주목된다. 즉, 연구실은 금융시장을 단순 예측의 대상으로 보지 않고, 확률 모형·최적화·기계학습이 결합된 동적 시스템으로 접근하고 있다. 이러한 연구는 자산운용, 파생상품 리스크 관리, 자동화된 투자 전략, 금융기관의 의사결정 지원 시스템에 직접적으로 기여할 수 있다. 특히 설명 가능하고 구조적인 딥러닝 모델을 지향한다는 점은 금융 분야에서 중요한 신뢰성과 규제 대응 측면에서도 의미가 크다. 향후에는 강화학습, 확률적 제어, 시장 미시구조 데이터 분석, 강건 최적화와의 결합을 통해 실제 투자 환경에 더욱 밀착된 금융 AI 연구로 발전할 수 있을 것으로 보인다.

김홍중 연구실은 확률모형과 통계적 탐지 이론을 바탕으로 시스템 변화의 조기 탐지 문제에도 중요한 연구 이력을 보이고 있다. 대표적으로 컴퓨터 네트워크 침입 탐지 논문에서는 네트워크 트래픽의 미세한 변화 패턴을 빠르게 포착하기 위해 adaptive sequential 및 batch-sequential change-point detection 방법을 제안하였다. 이는 대규모 공격이 뚜렷하게 나타나기 전의 초기 단계에서 이상 징후를 식별하는 문제와 연결되며, 수리통계와 실시간 계산이 만나는 전형적인 융합 연구 영역이다. 이 연구 방향의 핵심은 오경보율을 통제하면서도 탐지 지연을 최소화하는 것이다. 연구실이 다룬 방법론은 thresholding, self-learning, 다층 프로토콜 데이터 분석, 고정 오경보율 기반 탐지 등 실제 환경에서 요구되는 조건을 충족하도록 설계되어 있다. 이와 함께 분산 변화 탐지, 통신 네트워크 성능 분석, IEEE 802.15.4 관련 트래픽 모델링 등의 발표 실적은 연구실이 네트워크 현상을 단순한 공학 문제가 아니라 확률과정과 대기행렬, 통계적 추론의 관점에서 분석해 왔음을 보여준다. 즉, 복잡한 시스템에서 발생하는 변화를 빠르고 안정적으로 감지하기 위한 수리적 기반을 다져온 것이다. 이 연구는 사이버보안뿐 아니라 산업 공정 모니터링, 센서 네트워크 이상 탐지, 금융 시계열 변동 감지, 실시간 경보 시스템 등으로도 확장 가능하다. 변화점 탐지는 데이터가 생성되는 즉시 결정을 내려야 하는 환경에서 매우 중요한 기술이며, 계산 효율성과 이론적 보장이 동시에 필요하다. 연구실의 배경을 고려하면 앞으로도 확률적 모델링, 온라인 학습, 이상 탐지 알고리즘을 결합한 실시간 분석 연구로 발전할 가능성이 크다.