연구 분야

🌐 웹 엔진Web Engines

웹 애플리케이션이 점점 복잡해지면서, 브라우저에서 코드를 실행하는 웹 엔진의 성능이 사용자 경험을 좌우하고 있습니다. 본 연구실은 자바스크립트 엔진과 웹어셈블리(WebAssembly) 엔진의 내부 구조 — 파서, 인터프리터, JIT 컴파일러 — 를 깊이 분석하고, 더 빠른 실행과 효율적인 메모리 사용을 위한 최적화 기법을 연구합니다.

주요 연구 주제로는 JIT 컴파일러의 코드 생성 품질 개선, 프로파일 기반 재최적화 정책, 가비지 컬렉션 등 메모리 관리 최적화, 그리고 웹어셈블리 실행 성능 분석이 있습니다. 연구는 실제로 널리 쓰이는 오픈소스 웹 엔진 프로젝트를 대상으로 진행합니다 — 실제 엔진 코드 위에서 워크로드를 프로파일링하고 병목을 찾아 개선하는 실증적 접근을 지향하며, 연구 성과가 실사용 엔진에 기여할 수 있도록 합니다.

🤖 LLM 응용 시스템LLM-based System

오픈 웨이트(open-weight) LLM의 등장으로, 외부 API에 의존하지 않고 자체 환경에서 대규모 언어 모델을 활용할 수 있게 되었습니다. 본 연구실은 이러한 공개 모델을 기반으로 반복적인 작업을 자동화하고 지능형 서비스를 구축하는 시스템을 연구합니다.

주어진 작업에 맞는 프롬프트 설계, 외부 도구·API와의 연동(Tool Use), 작업을 스스로 계획하고 수행하는 에이전트 파이프라인 구성이 핵심 연구 주제입니다. 시스템이 낸 결과를 평가하고 피드백하여 파이프라인을 지속적으로 개선하는 방법, 그리고 소프트웨어 개발·분석 도구에 LLM을 접목하는 응용 연구도 함께 수행합니다.

🧠 AI 컴파일러AI Compiler

딥러닝 모델은 CPU, GPU, NPU 등 서로 다른 특성의 하드웨어에서 실행됩니다. 학습 프레임워크로 만든 모델이 각 하드웨어의 성능을 최대한 끌어내며 동작하려면, 모델을 하드웨어에 맞는 코드로 변환하고 최적화하는 AI 컴파일러가 필수적입니다.

본 연구실은 딥러닝 모델을 중간 표현(IR)으로 변환하고, 연산자 융합·불필요한 연산 제거 같은 그래프 수준 최적화를 거쳐, 타깃 하드웨어별 고성능 커널을 생성하는 컴파일 전 과정을 연구합니다. 아울러 하드웨어별 최적 실행 스케줄을 자동으로 탐색하는 오토튜닝 기법을 통해, 다양한 환경에서 딥러닝 추론의 효율을 높이는 것을 목표로 합니다.