정보는 있는데 AI가 못 찾는다?...데이터 바뀌어도 최신 정보 놓치지 않는다
회사 규정이 바뀌어 새 문서가 올라왔는데도 사내 AI가 예전 규정을 찾아 답한다면 어떨까. 새로운 정보가 계속 추가되고 오래된 정보가 사라지면, AI는 정답이 되는 자료가 있어도 이를 제대로 찾지 못할 수 있다. 우리 대학 연구진이 데이터가 계속 바뀌어도 필요한 정보까지 찾아가는 ‘검색 길’을 유지해, AI가 최신 정보를 더 정확하고 빠르게 찾는 기술을 개발했다.
우리 대학은 전산학부 김민수 교수 연구팀이 데이터가 지속적으로 추가되고 삭제되는 환경에서도 높은 검색 정확도를 안정적으로 유지하는 동적 벡터 검색 기술인 ‘콘다(CONDA, Connectivity-Aware Dynamic Index)’를 개발했다고 5일 밝혔다.
생성형 AI는 학습이 끝난 뒤 새롭게 등장한 정보를 스스로 알지 못한다. 이를 보완하기 위해 최신 뉴스나 기업 내부 문서 등을 검색해 답변에 활용하는 ‘검색증강생성(RAG·Retrieval-Augmented Generation)’ 기술이 널리 쓰이고 있다.
RAG가 제대로 작동하려면 수많은 자료 가운데 질문에 필요한 정보를 빠르고 정확하게 찾아내는 검색 기술이 중요하다. 현재 많은 AI 서비스는 문서나 이미지의 의미를 컴퓨터가 계산할 수 있는 숫자 묶음인 ‘벡터(Vector)’로 바꾼 뒤, 의미가 비슷한 정보들을 서로 연결해 필요한 자료를 찾는다.
문제는 실제 기업이나 인터넷의 데이터는 계속 변한다는 점이다. 새로운 문서와 뉴스, 상품 정보가 들어오는 동시에 오래된 정보는 수정되거나 삭제된다. 이런 변화가 반복되면 데이터 사이에 만들어 놓은 연결망이 조금씩 끊어지는 ‘연결성 붕괴’가 발생할 수 있다. 필요한 정보가 데이터베이스 안에 있는데도 AI가 그곳까지 찾아가지 못하면서 검색 정확도가 떨어지는 것이다.
내비게이션에 비유하면 이해하기 쉽다. 도시에는 목적지가 그대로 있지만 건물이 생기고 사라질 때마다 주변 도로를 수정하다 중요한 길까지 하나씩 끊어진다면 목적지까지 찾아가기 어려워진다. AI 검색에서도 마찬가지로 정보 자체가 사라진 것이 아니라, 그 정보까지 찾아가는 ‘길’이 끊어지는 문제가 발생할 수 있다.
연구팀이 개발한 CONDA는 데이터 사이의 거리뿐만 아니라, 필요한 정보까지 찾아갈 수 있도록 검색 경로가 제대로 연결돼 있는지를 함께 고려한다. 새로운 데이터가 추가되거나 기존 데이터가 삭제돼도 중요한 연결을 유지해 특정 정보가 검색망에서 고립되는 것을 막는 방식이다.
실험 결과, CONDA는 데이터가 쉴 새 없이 추가되고 삭제되는 환경에서도 기존 최신 기술 대비 검색 정확도를 최대 24.5% 높였으며, 데이터 처리 속도도 최대 1.90배 향상시켰다.
특히 연구팀은 1억 개의 데이터가 존재하는 대규모 환경에서 6시간 동안 검색과 데이터 업데이트를 동시에 수행했다. 그 결과 CONDA는 비교 기술 대비 가장 짧은 응답시간과 높은 검색 정확도를 유지해 대규모 AI 서비스에 적용할 수 있는 가능성을 확인했다.
이번 기술은 기업 내부 규정이나 업무 문서처럼 정보가 수시로 바뀌는 지식검색 시스템뿐만 아니라 최신 뉴스 검색, 상품 검색 및 추천 등 데이터가 지속적으로 변하는 다양한 AI 서비스에 활용될 수 있다. 특히 생성형 AI가 외부 정보를 찾아 답변에 활용하는 RAG 환경에서 최신 정보를 오랫동안 안정적으로 검색하는 기반 기술로 활용될 것으로 기대된다.
이번 연구 성과는 실제 제품에도 적용된다. 김민수 교수가 창업한 인공지능 데이터 인프라 기업 그래파이(GraphAI)의 데이터베이스 제품인 ‘아카식DB(AkasicDB)’에 CONDA 기술이 적용돼 올해 4분기 상용화될 예정이다.
김민수 교수는 “검색증강생성(RAG)의 중요한 가치는 대규모언어모델(LLM)이 미처 학습하지 못한 최신 정보를 필요한 순간 즉시 찾아 활용할 수 있다는 점”이라며, “이번 연구는 데이터가 끊임없이 변하는 현실 환경에서도 인공지능이 오랜 시간 정확하게 최신 지식을 활용할 수 있는 데이터 인프라를 제시했다는 점에서 의미가 크다”고 말했다.
이번 연구에는 KAIST 전산학부 이다래 석사과정 졸업생이 제1저자로 참여했으며 김민수 교수가 교신저자를 맡았다. 연구 결과는 지난 9월 2일 데이터베이스 분야 최고 권위 국제학술대회인 VLDB 2026에서 발표됐다.
※ 논문명: CONDA: A Connectivity-Aware Dynamic Index for Approximate Nearest Neighbor Search over Evolving Data, DOI: 10.14778/3836663.3836694
※ 저자정보: 이다래(NAVER Corporation, 제1저자), 김민수(KAIST)
한편, 이번 연구는 한국연구재단 중견연구자지원사업과 정보통신기획평가원 SW스타랩사업의 지원을 받아 수행됐다.
파네시아·메타 ‘하나의 칩처럼 움직이는 AI 데이터센터 (AI DC)’ 구조 제시
우리 대학에서 축적된 반도체·컴퓨터 시스템 연구가 교원 창업을 거쳐 글로벌 빅테크 메타(Meta)와의 협력으로 확장되며 차세대 AI 데이터센터(AI DC)의 새로운 설계 방향을 제시했다. CPU·AI 가속기·메모리를 하나로 묶어 데이터센터 전체가 마치 ‘하나의 거대한 칩’처럼 움직이도록 하는 구조다.
우리 대학은 전기및전자공학부 정명수 교수와 교원창업기업인 팹리스(fabless, 반도체 설계 전문기업) 파네시아 연구진이 메타 연구진과 함께 차세대 AI 데이터센터 구조를 제시한 리뷰 논문을 네이처(Nature)가 발행하는 국제 학술지 ‘네이처 리뷰 일렉트리컬 엔지니어링(Nature Reviews Electrical Engineering, NREE)’에 게재했다고 9일 밝혔다.
이번 성과는 KAIST에서 시작된 연구가 교원 창업을 통해 실제 반도체 기술로 발전하고, 글로벌 기업과의 공동 연구로 이어져 미래 AI 데이터센터의 기술 방향을 제시했다는 데 의미가 있다. 연구–창업–산업–글로벌 협력으로 이어지는 KAIST 연구·창업 생태계를 보여주는 사례다.
특히 배충식 KAIST 총장이 추진하는 5대 혁신 전략 가운데 연구성과를 산업과 창업으로 연결하는 ‘Beyond Laboratory’와 글로벌 협력을 확대하는 ‘Beyond KAIST–Global Connect’의 방향과도 맞닿아 있다.
배충식 KAIST 총장은 “KAIST의 연구성과가 창업을 통해 산업으로 이어지고, 다시 세계적인 기업과의 협력으로 확장돼 미래 기술의 방향을 제시한 의미 있는 사례”라며 “KAIST는 연구와 창업, 산업과 세계를 연결해 우리 기술이 글로벌 혁신의 새로운 기준을 만들어갈 수 있도록 지원하겠다”고 말했다.
최근 생성형 AI와 초거대 AI가 발전하면서 AI 연산에 수백~수천 개의 가속기(AI의 대규모 계산을 빠르게 처리하는 반도체)를 동시에 사용하는 시대가 되고 있다.
하지만 가속기를 많이 연결한다고 무조건 빨라지는 것은 아니다. 여러 사람이 한 줄로 물건을 전달할 때 한 사람만 늦어도 전체 작업이 밀리는 것처럼, 일부 가속기의 데이터 전달이 늦어지면 전체 AI 연산도 느려질 수 있다. 따라서 개별 반도체의 성능뿐 아니라 수많은 가속기와 메모리를 얼마나 빠르고 효율적으로 연결하느냐가 중요하다.
KAIST 정명수 교수와 파네시아·메타 연구진은 이를 해결하기 위해 CXL(Compute Express Link, CPU·가속기·메모리를 빠르게 연결하고 자원을 공유하는 국제표준 기술)을 활용해 CPU와 AI 가속기, 메모리를 하나로 묶고 이를 데이터센터 전체로 확장하는 구조를 제시했다.
기존 데이터센터가 여러 컴퓨터가 네트워크를 통해 협업하는 방식이라면, 이번 구조는 서버 간 경계를 낮춰 CPU·가속기·메모리를 긴밀하게 연결한다. 데이터센터 전체를 ‘하나의 거대한 컴퓨터’처럼 움직이게 하는 것이 핵심이다.
현재 엔비디아의 NVLink나 UALink 등도 여러 가속기를 빠르게 연결하지만 주로 랙(rack, 여러 서버와 장비를 층층이 설치하는 구조) 내부 연결에 초점을 둔다. 반면 이번 구조는 가속기뿐 아니라 CPU와 메모리까지 CXL로 연결하고 그 범위를 데이터센터 전체로 확대한다.
연구진이 제시한 구조에서는 하나의 연결 영역에 최대 960개의 가속기를 연결할 수 있다. 연구진에 따르면 현행 NVLink 기반 랙보다 약 13배 큰 규모다.
데이터 이동 시간도 기존 네트워크 기반 구조의 마이크로초(μs, 100만분의 1초) 수준에서 수백 나노초(ns, 10억분의 1초) 수준으로 줄일 수 있다. AI 데이터센터에서는 이러한 작은 지연도 반복되면 전체 성능에 큰 영향을 미친다.
운영도 유연해질 수 있다. CPU·가속기·메모리를 각각의 자원처럼 연결해 문제가 생긴 부품만 교체하거나, 남는 연산·메모리 자원을 필요한 곳에 활용할 수 있기 때문이다.
결국 이번 연구는 AI 데이터센터의 기본 단위를 ‘서버’에서 ‘데이터센터 전체’로 확장하는 설계 방향을 제시한 것이다. 수많은 컴퓨터의 집합에서 한발 더 나아가 데이터센터 자체가 하나의 거대한 컴퓨터처럼 작동하도록 하는 개념이다.
이번 연구가 게재된 NREE의 리뷰 논문(review article, 특정 분야의 주요 연구와 기술을 종합적으로 분석하고 발전 방향을 제시하는 논문)은 학술지 측이 해당 분야 전문가에게 직접 집필을 요청하는 초청 방식으로 기획된다.
이번 논문에서 KAIST 정명수 교수와 파네시아 연구진은 메타의 데이터센터 인프라 연구진과 함께 CXL 기술의 발전 현황을 분석하고 차세대 AI 데이터센터의 설계 방향을 제시했다.
정 교수 연구진은 KAIST에서 CXL 기반 컴퓨터 시스템과 반도체 기술을 지속적으로 연구해 왔으며, 창업 이후에는 관련 핵심 기술을 실제 반도체 칩으로 제작해 작동을 검증하는 등 연구성과의 실용화를 이어가고 있다.
정명수 KAIST 전기및전자공학부 교수 겸 파네시아 대표는 “AI가 거대해질수록 개별 가속기의 성능만큼 수많은 가속기와 메모리를 얼마나 빠르고 효율적으로 연결하느냐가 중요하다”며 “이번 연구는 CXL을 기반으로 데이터센터 전체를 하나의 컴퓨팅 시스템처럼 동작시키는 차세대 AI 인프라의 방향을 제시했다는 데 의미가 있다”고 말했다.
※ 논문명: One-Chip-Like Datacenter Design Enabled by CXL-Based Scale-Up Fabrics, 논문원본: https://www.nature.com/articles/s44287-026-00315-5
한편 이번 연구는 네이처 리뷰 일렉트리컬 엔지니어링(Nature Reviews Electrical Engineering)에 8월 10일 게재됐다.
데이터 속도 맞춰 스스로 반응하는 '카멜레온 AI 반도체' 개발
AI 반도체도 이제‘눈치'를 본다. 기존 AI 반도체는 입력 신호에 반응하는 속도와 정보를 기억하는 시간이 한 번 정해지면 바꿀 수 없는‘고정된 반응 특성'을 가졌지만, 이제는 데이터의 변화 속도에 맞춰 스스로 반응하는 시대가 열렸다. 우리 대학 연구진은 이 기술로 시간에 따라 변하는 데이터의 예측 오류를 기존보다 최대 40배 줄였다. 자율주행차와 로봇, 웨어러블 기기의 실시간 AI 성능을 높일 핵심 원천기술로 기대된다.
우리 대학은 전기및전자공학부·반도체공학대학원 최신현 석좌교수 연구팀이 입력되는 데이터의 변화 속도에 따라 반응 특성을 자유롭게 바꿀 수 있는 새로운 AI 반도체 소자‘프로그래머블 동적 멤트랜지스터(Programmable Dynamic Memtransistor, PDM)'와 이를 집적한 어레이를 개발했다고 7일 밝혔다.
멤트랜지스터(Memtransistor)는 정보를 저장하는 메모리(Memory)와 계산을 수행하는 트랜지스터(Transistor)의 기능을 하나로 결합한 차세대 반도체 소자다. 데이터를 계산하면서도 이전 정보를 기억할 수 있어 입력되는 데이터에 맞춰 반응 속도를 조절할 수 있는 것이 특징이다.
현실 세계의 데이터는 모두 같은 속도로 변하지 않는다. 심장 박동이나 음성처럼 매우 빠르게 변하는 정보가 있는가 하면, 날씨나 공장 설비 상태처럼 천천히 변하는 정보도 있다. 하지만 기존 AI 반도체는 입력 신호에 반응하는 속도와 그 상태를 유지하는 시간(시간 응답 특성)이 고정돼 있어, 서로 다른 속도의 데이터를 동시에 효율적으로 처리하는 데 한계가 있었다.
연구팀은 이러한 문제를 해결하기 위해 전기적 정보를 저장하는 층(전하 저장층)과 전자를 저장해 반도체의 반응 속도를 조절하는 층(전자 포획층)을 하나의 트랜지스터 안에 결합한 새로운 구조를 개발했다.
PDM은 데이터가 입력되면 전하 저장층에서 정보를 처리하고, 전자 포획층이 반도체가 원래 상태로 돌아가는 속도를 조절한다. 마치 운전자가 고속도로에서는 속도를 높이고 골목길에서는 속도를 줄이듯, 반도체도 데이터의 변화 속도에 맞춰 가장 적합한 반응 속도를 스스로 선택한다.
실험 결과 연구팀은 반도체가 입력 신호에 반응한 뒤 원래 상태로 돌아오는 시간을 약 5배 범위에서 조절했으며, 빠르게 반복되는 신호를 처리하는 능력(주파수 특성)도 10배 이상 폭넓게 조절할 수 있음을 확인했다.
특히 빠르게 변하는 정보와 느리게 변하는 정보가 함께 포함된 시계열 데이터(Time-series data, 시간의 흐름에 따라 연속적으로 생성되는 데이터) 예측 실험에서는 기존의 고정형 반도체보다 예측 오류를 최대 40배 줄이는 성능을 보였다.
또한 연구팀은 PDM을 여러 개 연결한 어레이(Array, 동일한 반도체 소자를 일정한 형태로 집적한 구조)를 제작해 실험한 결과, 기존 소프트웨어 기반 AI 시스템과 비슷한 정확도를 유지하면서도 훨씬 적은 에너지로 동작하는 것을 확인했다.
이번 기술은 별도의 복잡한 데이터 전처리 없이도 다양한 속도로 변하는 데이터를 효율적으로 처리할 수 있다. 또한 한 번 설정한 반응 특성은 전원을 계속 공급하지 않아도 유지되는 비휘발성(전원이 꺼져도 정보가 유지되는 특성)을 갖춰 에너지 소비를 줄일 수 있다. 여기에 현재 널리 사용되는 상용 반도체 공정(CMOS 공정)과도 호환돼 대량 생산과 상용화 가능성이 높다는 점에서도 의미가 크다.
최신현 석좌교수는 "이번 연구는 데이터의 변화 속도에 맞춰 반도체가 스스로 가장 적합한 방식으로 반응하는 AI 반도체를 구현한 것”이라며 "자율주행차와 로봇, 웨어러블 기기 등 다양한 AI 기기의 성능은 높이고 전력 소모는 줄이는 핵심 기술이 될 것으로 기대한다”고 말했다.
이번 연구는 KAIST 반도체공학대학원 김대원 박사과정이 제1저자로 참여했으며, 조윤호, 서석호, 김유진, 박시온, 장태환, 박채빈이 공동저자로 참여했다. 또한 삼성전자 반도체연구소 오영택 연구원과 이재덕 Fellow가 공동저자로 참여했으며, 최신현 교수가 교신저자를 맡았다. 연구 결과는 세계적인 권위의 국제학술지 ‘네이처 커뮤니케이션스(Nature Communications)’에 7월 게재됐다.
※논문명: Programmable memtransistor array with temporal dynamics modulation for efficient time-series data processing,
DOI : https://doi.org/10.1038/s41467-026-75211-5
본 연구는 과학기술정보통신부 한국연구재단 신소자원천기술개발사업, 정보통신기획평가원 ETRI연구개발지원사업, 산업통상자원부 한국산업기술진흥원(KIAT) 산업혁신인재성장지원사업, 삼성전자 등의 지원을 받아 수행되었다.
AI 데이터센터 시대 '거대한 배터리' 상용화 앞당긴다
폭발적으로 늘어나는 AI 데이터센터 시대를 뒷받침할‘거대한 배터리'의 상용화가 한층 가까워졌다. 우리 대학 연구진이 대용량 배터리의 핵심 소재 생산 시간을 67% 줄이는 공정 기술을 개발해 상용화의 가장 큰 생산 병목을 해결했다.
우리 대학은 생명화학공학과 김희탁 교수 연구팀이 대용량 에너지저장장치(ESS)의 유력 후보인 바나듐 레독스 흐름전지(VRFB)의 핵심 전해질을 빠르고 안정적으로 생산하는 공정을 개발했다고 5일 밝혔다.
최근 24시간 끊임없이 가동되는 AI 데이터센터가 급증하면서 태양광과 풍력 등 재생에너지로 생산한 전기를 대량으로 저장했다가 필요할 때 안정적으로 공급하는 대용량 ESS의 중요성이 커지고 있다.
특히 바나듐 레독스 흐름전지는 화재 위험이 거의 없고, 전해질을 담는 탱크만 크게 만들면 저장 용량도 쉽게 늘릴 수 있어 AI 데이터센터와 재생에너지용 초대형 배터리로 주목받고 있다. 그러나 배터리의‘연료' 역할을 하는 바나듐 전해질을 최적 상태(V3.5+)로 만드는 과정이 오래 걸리고 비용도 많이 들어 상용화의 가장 큰 걸림돌이었다.
기존 공정은 먼저 화학적 환원(환원제를 이용해 바나듐 이온이 전자를 얻도록 하는 화학 반응)으로 전해질을 만든 뒤, 전기화학적 환원(전기를 흘려 바나듐 이온의 전자 상태를 원하는 수준으로 조절하는 공정)을 거쳐 최종 전해질을 생산했다. 그러나 마무리 단계인 전기화학적 환원은 시간이 오래 걸리고 비용이 많이 드는 공정으로, 대량 생산과 상용화의 가장 큰 걸림돌이었다.
연구팀은 화학 반응으로 전해질을 만드는 과정이 고속도로를 달리다 갑자기 병목 구간에서 차량이 막히는 것처럼, 특정 단계에서 반응 속도가 급격히 느려진다는 사실을 세계 최초로 밝혀냈다. 바나듐 전해질이 배터리 구동에 최적화된 상태(V3.5+)로 변해가는 중간 단계인 평균 산화수(바나듐 이온이 전자를 잃은 정도를 나타내는 값)가 약 +4.1인 지점이 바로 그 병목 구간이었다.
연구팀은 이 병목 구간에서 시간이 오래 걸리던 기존의 전기화학적 환원 공정 대신, 백금-탄소(Pt/C) 촉매를 이용한 촉매 환원 공정을 적용하도록 생산 공정을 설계했다. 마치 자동차가 정체된 도로에서 더 빠른 우회도로를 이용하듯, 가장 시간이 오래 걸리던 마지막 공정만 더 효율적인 방식으로 바꾼 것이다.
그 결과 바나듐 레독스 흐름전지(VRFB)에서 전기 에너지를 저장하는 핵심 소재인 V3.5+전해질의 생산 시간이 기존보다 67% 단축됐다. 또한 공정 중 남아 배터리 성능을 떨어뜨릴 수 있는 잔류 옥살산(불순물)도 함께 제거됐으며, 같은 촉매를 2,500회 이상 반복 사용해도 성능 저하 없이 안정적으로 전해질을 생산할 수 있음을 확인해 실제 산업 현장에서도 활용 가능성을 입증했다.
김희탁 교수는 "이번 연구는 대용량 배터리 상용화의 가장 큰 숙제였던 전해질 생산 과정을 반응공학적으로 정밀 분석해 새롭게 설계한 성과”라며 "촉매가 전해액 환경에서 손상되지 않고 안정적으로 작동하는 조건을 과학적으로 규명해 산업 현장의 생산 병목을 해결한 만큼 대용량 에너지저장 기술의 상용화를 크게 앞당길 것으로 기대한다”고 말했다.
이번 연구는 KAIST 생명화학공학과 석경화 박사과정이 제1저자로 연구를 주도했으며, 연구 결과는 에너지 분야 세계적 권위의 국제학술지인‘어드밴스드 에너지 머티리얼즈(Advanced Energy Materials)’에 5월 7일 온라인 게재됐다. 특히 연구의 학술적 중요성을 인정받아 34호(Issue 34)의 표지논문으로 선정됐으며, 해당 호는 9월 초 온라인 공개될 예정이다.
※ 논문명 : Streamlined V3.5+ Eectrolyte Production by Leveraging Chemical and Catalytic Reductions, DOI: https://doi.org/10.1002/aenm.71029, ※ 저자 정보 : 석경화 (KAIST, 제1 저자), 강민성 (KAIST, 제2 저자) 및 김희탁 (KAIST, 교신저자)
한편 이번 연구는 롯데케미칼의 지원을 받아 수행됐다.
산업및시스템공학과 안정연 교수, 2026 한국갤럽학술상 수상
2026년 7월 개최된 한국통계학회 하계학술대회에서 우리 대학 산업및시스템공학과 안정연 교수가 고차원 데이터 분석 등 통계학 분야의 탁월한 연구 업적을 인정받아 ‘한국갤럽학술상’을 수상했다. 특히 안 교수는 2006년 이 상이 제정된 이래 역대 최초의 여성 수상자로 선정되며 학계의 큰 주목을 받았다.
한국갤럽학술상은 통계학 및 통계의 발전과 관련 분야 연구 활동을 장려하기 위해 한국갤럽이 2006년부터 지원하고 있는 권위 있는 상이다. 한국통계학회는 엄정한 심사를 거쳐 매년 단 1명의 수상자를 선정하고 있으며, 탁월한 연구업적으로 학계 발전에 크게 공헌한 연구자를 발굴하기 위해 저명 통계학 학술지에 게재된 논문의 수, 대표 업적의 JCR 인용 현황 등을 종합적으로 고려하여 평가하고 있다.
안정연 교수는 전통적인 통계 이론이 주로 대표본(large sample)에 의존해 온 한계를 넘어, 최근 대두되고 있는 '고차원 데이터 분석' 분야를 개척한 선구자적인 학자로 꼽힌다. 특히 안 교수는 객체 지향적 데이터 분석, 데이터 프라이버시, 빅데이터 분석 분야 등에서 통계학 이론 및 응용 분야의 최상위권 SCI급 학술지에 다수의 논문을 출판하며 세계적 수준의 연구 역량을 입증했다.
학회 추천위원회는 “안 교수의 연구는 이론적 깊이를 갖추었을 뿐만 아니라 응용 분야의 파급력 또한 매우 높은 분야”라며, “최근 연구 결과의 활용 범위를 더욱 넓혀가고 있어 향후 다양한 학문 및 산업 분야에 공헌할 가능성이 매우 높아 본 학술상의 취지에 가장 부합하는 학자”라고 추천 및 선정 사유를 밝혔다.
안 교수는 “학회와 동료 연구자분들께 깊이 감사드린다”며, “앞으로도 고차원 데이터 분석의 지평을 넓히고, 통계학이 다양한 응용 분야의 난제들을 해결하는 데 기여할 수 있도록 연구에 매진하겠다”고 수상 소감을 전했다.
적은 데이터로도 정밀 동작 구현하는 로봇 AI 개발
좁은 틈에 부품을 끼우고 작은 버튼을 누르는 사람의 손재주를 로봇이 적은 데이터만으로도 배울 수 있게 됐다. 우리 대학 연구진이 작업 상황에 따라 스스로 움직임의 정밀도를 조절하는 로봇 인공지능 기술을 개발했다. 기존 최고 성능 모델보다 작업 성공률을 최대 81% 높인 이번 기술은 정밀 제조와 의료 분야 로봇의 활용 범위를 크게 넓힐 것으로 기대된다.
우리 대학은 전산학부 박대형 교수 연구팀이 적은 양의 동작 데이터만으로도 사용자가 원하는 정밀도에 맞춰 움직임을 세밀하게 생성하는 다중 정밀도 조작 모델 ‘디스포(DiSPo)'를 개발했다고 24일 밝혔다.
기존의 로봇 인공지능은 사람이 움직이는 모습을 매우 짧은 시간 간격으로 기록한 방대한 양의 데이터를 학습해야 정밀한 작업을 수행할 수 있었다. 예를 들어 나사를 조이거나 좁은 틈에 부품을 끼워 넣는 작업을 배우려면 수많은 동작 데이터를 세밀하게 수집해야 했기 때문에 시간과 비용이 많이 들었다.
연구팀은 이러한 한계를 극복하기 위해 로봇이 움직임의 변화를 스스로 예측하면서 다양한 행동을 학습할 수 있는 인공지능 기술을 개발했다. 특히 작업 상황에 따라 동작을 더 세밀하게 나누거나 크게 조절할 수 있는 기능을 새롭게 도입했다.
연구팀은 시간에 따른 변화를 효율적으로 학습하는 상태공간모델 '맘바(Mamba)'와 다양한 행동을 생성하는 확산모델(Diffusion Model)을 결합해 이러한 기능을 구현했다.
이를 통해 로봇은 적은 양의 데이터로 학습하더라도 실제 작업을 수행할 때는 움직임을 더 작은 단위로 나눠 정교하게 동작할 수 있다. 즉, 사람이 비교적 간단하게 시범을 보여줘도 로봇이 필요에 따라 스스로 동작을 세분화해 정밀한 작업을 수행할 수 있게 된 것이다.
연구팀이 개발한 디스포는 시뮬레이션 환경에서 기존 최고 성능 모델 대비 최대 81% 높은 작업 성공률을 기록했다. 또한 실제 협동로봇을 이용한 실험에서는 반경 2.5mm에 불과한 좁은 틈에 부품을 끼워 넣고 스마트폰의 작은 셔터 버튼을 정확히 누르는 고난도 작업을 안정적으로 수행했다. 이는 기존 인공지능 모델보다 최대 4배 높은 성공률이다.
이번 기술은 정밀 부품 조립, 케이블 연결, 의료 수술, 정밀 가공 등 높은 정확성이 요구되는 다양한 산업 분야에 적용될 수 있을 것으로 기대된다. 특히 적은 데이터만으로도 고정밀 로봇을 학습시킬 수 있어 로봇 개발 비용을 크게 낮추고 제조·의료·서비스 산업의 자동화를 앞당기는 데 기여할 전망이다.
박대형 교수는 "이번 연구는 로봇이 적은 양의 데이터만으로도 정교한 동작을 학습하고 작업 상황에 따라 스스로 정밀도를 조절할 수 있음을 보여준 사례"라며 "앞으로 데이터 수집 비용을 획기적으로 줄이면서도 정밀 제조와 의료 등 다양한 산업 현장에서 활용할 수 있는 범용 로봇 학습 기술로 발전시켜 나가겠다"고 말했다.
이번 연구는 김재철 AI대학원 오나영 석사과정생이 제1 저자로 주도하였으며, 6월 1일 오스트리아 비엔나에서 열리는 로봇공학 세계 최고 권위 학술대회인 ‘국제 로봇 및 자동화 학술대회(ICRA 2026)’에서 발표되었다.
※ 논문명: DiSPo: Diffusion-SSM based Policy Learning for Coarse-to-Fine Action Discretization, DOI: https://doi.org/10.48550/arXiv.2409.14719
※ 저자 정보: 오나영 (KAIST 김재철AI대학원, 제1 저자), 장재형 (KAIST 전산학부, 공저자), 정문경 (KAIST 로봇공학학제전공, 공저자), 박대형 (KAIST 전산학부, 교신저자)
한편, 이번 연구는 과학기술정보통신부와 정보통신기획평가원(IITP)의 ‘복합지능 자율행동체 SW 핵심기술 개발 사업’의 일환으로 ‘자율행동체의 복합작업 자율 수행을 위한 임무 수행 절차 생성 기술 개발’ 과제를 통해 수행되었다. 이 외에도 정보통신기획평가원의 ‘글로벌 AI 프론티어랩 사업’과 산업통상자원부의 기술혁신프로그램의 지원을 받았다.
AI 데이터센터 전력문제 해결한다...차세대 광변조기 개발
인공지능(AI) 서비스의 폭발적인 성장으로 데이터센터의 전력 소모와 데이터 전송 병목 문제가 급증하는 가운데, 한국 연구진이 이를 해결할 수 있는 차세대 광통신 핵심 소자인 광변조기(전기 신호를 빛 신호로 바꿔 데이터를 전송하는 장치) 기술을 개발했다. 이번 성과는 더 적은 전력으로 더 많은 데이터를 전송할 수 있게 해 미래 AI 데이터센터의 핵심 기반 기술이 될 것으로 기대된다.
우리 대학은 전기및전자공학부 김상현 교수 연구팀이 한국과학기술연구원(KIST, 원장 오상록) 한재훈 박사, 한국나노기술원(KANC, 원장 변대석) 김종민 박사 및 삼성전자 패키징사업부와의 협업을 통해 서로 다른 반도체 소재의 장점을 결합한 차세대 광변조기를 개발했다고 23일 밝혔다.
AI 데이터센터에서는 수많은 서버와 반도체 칩이 대용량 데이터를 실시간으로 주고받는다. 이 과정에서 광변조기의 성능은 데이터 전송 속도와 전력 효율을 결정하는 핵심 요소다. 그러나 기존 실리콘 기반 광변조기는 높은 발열과 온도 변화에 취약했고, 효율을 높이면 속도가 떨어지고 속도를 높이면 효율이 감소하는 한계를 안고 있었다.
연구팀은 이러한 문제를 해결하기 위해 온도 변화에 강한 마하-젠더(Mach-Zehnder) 구조(빛의 경로 차이를 이용해 신호를 제어하는 광소자 구조)를 유지하면서도, 실리콘 도파로(빛이 지나가는 통로) 위에 전기·광학적 반응성이 뛰어난 인화물계 반도체(InGaAsP·빛과 전기에 민감하게 반응하는 화합물 반도체) 박막을 결합했다. 이는 기존 실리콘 위에 빛을 더 민감하게 제어할 수 있는 특수 반도체 소재를 덧붙인 것으로, 소자 크기는 줄이면서도 빛 신호를 더욱 효율적으로 제어할 수 있게 했다.
그동안 학계에서는 이 구조를 사용할 경우 효율을 높이면 전하가 쌓여 구동 속도가 느려지는 상충 관계가 있었다. 연구팀은 소자 내부의 충전 용량을 줄여 속도를 높이는 공핍(Depletion) 모드 구동(소자 내부 전하를 줄여 동작 속도를 높이는 방식)과, 전압이 가해질 때 물질의 빛 흡수 특성이 변하는 프란츠-켈디시(Franz-Keldysh) 효과(전기장을 가하면 빛 흡수 특성이 변하는 현상)를 결합해 이러한 한계를 극복했다.
그 결과 머리카락 굵기보다 수십 배 작은 500 마이크로미터(μm) 길이의 초소형 소자에서 세계 최고 수준의 변조 효율(적은 전력으로 빛 신호를 얼마나 효과적으로 제어할 수 있는지를 나타내는 지표, 0.146 V·cm)과 고속 구동 대역폭(데이터를 얼마나 빠르게 처리할 수 있는지를 나타내는 지표, 26.3 GHz)을 동시에 달성하는 데 성공했다. 이는 더 적은 전력으로 더 많은 데이터를 빠르게 전송할 수 있음을 의미하며, AI 데이터센터의 에너지 효율과 데이터 처리 성능을 동시에 높일 수 있는 수준의 성과다.
이번 연구는 AI 데이터센터가 직면한 전력 소비 증가와 데이터 전송 병목 문제를 해결할 수 있는 현실적인 기술을 제시했다는 점에서 의미가 크다. 특히 소형화와 저전력 특성을 바탕으로 차세대 데이터센터용 광통신 칩과 공동 패키지 광학(Co-Packaged Optics, CPO·반도체 칩과 광통신 부품을 하나의 패키지에 통합하는 기술)의 핵심 부품으로 활용될 것으로 기대된다.
또한 광변조기의 효율과 속도 사이의 한계를 극복해 두 성능을 동시에 향상시킨 성과로, 차세대 AI 데이터센터와 초고속 광통신 시스템 구현에 중요한 전환점이 될 것으로 평가된다.
김상현 교수는 “인공지능 시대의 핵심 인프라인 데이터센터의 전력 소모와 데이터 전송 병목 현상을 해결하기 위해 실리콘 포토닉스(Si Photonics·반도체 칩 위에 광회로를 구현하는 기술), 마이크로 발광다이오드(Micro-LED·초소형 고효율 광원) 등 다양한 광소자 기술을 개발해 왔다. 이번 성과는 광변조기의 효율과 속도를 동시에 높인 것으로, 차세대 AI 데이터센터와 초고속 광통신 시스템에 활용될 수 있을 것으로 기대한다”고 말했다.
본 연구는 KAIST 전기및전자공학부 강동길 박사과정이 제1저자로 연구를 주도했으며, 연구 성과는 반도체 소자 분야 세계 최고 권위 학회 중 하나인 'VLSI 심포지엄(VLSI Symposium on Technology and Circuits)'에서 지난 6월 17일 발표됐다.
※ 논문명 : Depletion-Mode III-V/Si SISCAP Mach-Zehnder Modulator Breaking the Efficiency-Bandwidth Trade-Off for Co-Packaged Optics,
Abstract Link: https://vlsi26.mapyourshow.com/8_0/sessions/session-details.cfm?scheduleid=202
※ 저자 정보 : 강동길(제1저자, KAIST), 이신형(KAIST), 한재훈(KIST), 김종민(KANC), 안석근(삼성전자), 정민혁(삼성전자), 정현철(삼성전자), 김상현(KAIST)
한편 이번 연구는 한국연구재단 중견연구자지원사업, 박사과정생연구장려금지원사업 및 삼성전자의 지원을 받아 수행됐다.
AI 환각 줄이고 정확도 78% 높였다... 차세대 데이터베이스 기술 개발
기업의 방대한 데이터를 읽고 이해하는 AI 에이전트의 가장 큰 약점은 ‘환각(Hallucination·사실과 다른 정보를 그럴듯하게 생성하는 현상)'이다. 우리 대학 연구진이 문서와 데이터, 개체 간 관계를 한 번에 이해할 수 있는 차세대 데이터베이스 기술을 개발해 AI 답변 정확도를 최대 78% 높이고 처리 속도는 최대 20배 향상시키며 기업용 AI 상용화의 핵심 난제 해결에 나섰다.
우리 대학은 전산학부 김민수 교수 연구팀이 교원창업기업인 (주)그래파이와 협력하여 벡터 DB, 그래프 DB, 관계형 DB 기능을 하나의 데이터베이스 관리 시스템(DBMS)에 통합한 차세대 데이터베이스 기술 '아카식DB(AkasicDB)'와 이를 기반으로 한 새로운 검색증강생성(RAG, Retrieval-Augmented Generation) 기법 '옴니RAG(Omni RAG)'를 개발했다고 19일 밝혔다.
아카식DB는 벡터 DB(문서나 이미지의 의미를 숫자 벡터로 변환해 유사한 정보를 찾는 DB), 그래프 DB(사람·기업·제품 등 개체 간 관계를 저장·분석하는 DB), 관계형 DB(표 형태의 데이터를 체계적으로 관리하는 전통적인 DB)의 기능을 하나의 데이터베이스 관리 시스템(DBMS, Database Management System·데이터를 저장·관리·검색하는 소프트웨어)에서 통합 실행할 수 있도록 설계됐으며, 이를 기반으로 개발된 옴니RAG는 문서의 의미 정보와 개체 간 관계, 구조화된 데이터를 동시에 활용해 생성형 AI의 답변 정확도를 높인다.
최근 AI 에이전트는 기업이 보유한 방대한 문서와 전문 지식을 검색한 뒤 이를 바탕으로 답변을 생성하는 RAG 기술을 기반으로 빠르게 확산되고 있다. 그러나 실제 기업 데이터는 문서, 표, 개체 간 관계 등 다양한 형태로 분산돼 있어 AI가 이를 종합적으로 이해하고 활용하기 어렵다. 이 때문에 AI가 충분한 근거 없이 사실과 다른 답변을 생성하는 환각 문제가 발생하며, 이는 기업용 AI 확산을 가로막는 핵심 과제로 꼽혀 왔다.
기존 RAG는 사용자의 질문과 문서를 벡터로 변환한 뒤 의미적으로 유사한 문서를 검색해 대규모언어모델(LLM, Large Language Model·방대한 데이터를 학습해 인간과 유사한 언어를 생성하는 AI 모델)에 제공하는 방식이 일반적이다. 이러한 방식은 비정형 문서 검색에는 효과적이지만, 문서 속 개체 간 관계나 특정 기간·유형·범위와 같은 구조화된 조건을 함께 고려해야 하는 복합 질의에는 한계가 있었다.
예를 들어 "작년에 체결된 계약서 중 A사와 관련된 조항을 찾고, 해당 조항이 어떤 제품 공급 이슈와 연결되는지 설명해 달라"는 질의는 문서 의미를 찾는 벡터 검색, 개체 간 관계를 탐색하는 그래프 검색, 날짜와 유형을 필터링하는 관계형 질의가 동시에 필요하다. 기존 시스템에서는 이를 위해 여러 종류의 데이터베이스를 별도로 구축하고 응용프로그램 계층에서 결과를 결합해야 했기 때문에 관리 복잡성과 응답 지연이 발생했다.
연구팀은 이러한 문제를 해결하기 위해 벡터 유사도 검색, 그래프 탐색, 관계형 필터링을 하나의 질의와 실행 계획 안에서 통합 수행하는 옴니RAG를 제안했다. 옴니RAG는 문서의 의미 정보, 지식 그래프의 관계 정보, 표 형태 데이터의 구조적 조건을 동시에 활용해 보다 정확한 근거를 찾아내고 AI의 환각 현상을 크게 줄인다.
이를 지원하기 위해 개발된 아카식DB는 그래프 DB, 벡터 DB, 관계형 DB를 하나의 엔진으로 통합한 새로운 구조를 채택했다. 사용자는 벡터 검색, 그래프 탐색, 관계형 필터링이 결합된 복합 RAG 질의를 하나의 SQL/GQL* 질의문으로 표현할 수 있으며, 아카식DB는 이를 단일 실행 계획으로 최적화해 처리한다.
*SQL/GQL(구조화 질의어/그래프 질의어) : 데이터베이스에 저장된 정보를 검색하거나 수정하기 위한 명령 언어다. SQL은 표 형태의 데이터를 다루는 전통적인 언어이며, GQL은 사람·기업·제품 등 개체 간 연결 관계를 분석하기 위해 사용되는 그래프 데이터 전용 언어다.
이러한 통합 구조를 통해 아카식DB는 불필요한 중간 결과 생성과 데이터 이동을 최소화해 LLM의 토큰 사용량을 크게 줄이고 응답 지연시간도 단축한다. 실험 결과 기존 시스템에서 최대 21.3초가 소요되던 복합 검색 질의를 1초 이내로 처리해 최대 20배 이상의 성능 향상을 달성했다. 또한 옴니RAG는 기존 RAG 대비 답변 정확도를 최대 78% 향상시키는 것으로 나타났다. 이는 기업용 AI 에이전트의 핵심 과제인 환각 문제를 크게 완화할 수 있음을 보여준다.
김민수 교수는 "AI 에이전트가 기업의 방대한 데이터를 정확하게 이해하고 활용하기 위해서는 벡터, 그래프, 관계형 데이터를 하나의 시스템에서 통합 처리할 수 있는 데이터 인프라가 필수적"이라며 "아카식DB는 AI 에이전트 시대를 위한 차세대 데이터베이스 기술로, 국방·제조·금융·법률·과학기술 등 고도의 신뢰성이 요구되는 분야에서 핵심 데이터 인프라로 활용될 것으로 기대한다"고 말했다.
이번 연구에는 KAIST 전산학부 이건호 박사과정생이 제1저자로 참여하였으며, 연구 성과는 지난 6월 2일, 데이터베이스 분야 최고 권위 국제학술대회인 ACM SIGMOD 2026에서 데모 논문으로 발표되어, 학회 현장에서 글로벌 기업 및 연구자들로부터 뜨거운 관심을 받았다.
※ 논문명 : AkasicDB: Demonstrating Omni RAG with a Unified Vector-Graph-Relational DBMS, DOI: https://doi.org/10.1145/3788853.3801609
※ 저자 정보 : 이건호 (KAIST, 제1 저자), 박정호, 한동형 ((주)그래파이, 공동 저자) 김민수 교수 (KAIST, 교신저자)
※ 시연 동영상: https://www.youtube.com/watch?v=KD6MznZ61P4
AI 데이터센터 냉각 전력 10분의 1로 줄인다
‘전력 먹는 하마'로 불리는 AI 데이터센터의 냉각 전력을 10분의 1 수준으로 줄일 수 있는 기술이 나왔다. 우리 대학 연구진은 반도체 칩 내부에 머리카락보다 가는 물길을 새겨 넣는 초고효율 액체 냉각 기술을 개발해 AI 반도체의 최대 난제로 꼽히는 발열 문제 해결 가능성을 제시했다.
우리 대학은 기계공학과 김성진 교수팀과 AX학과 이익진 교수팀이 공동연구를 통해 기존 매니폴드 마이크로채널(MMC, Manifold MicroChannel) 냉각 기술의 한계를 극복하고, 반도체 칩 내부에 매니폴드(manifold·냉각수를 여러 경로로 나누어 공급·회수하는 구조)와 마이크로채널(microchannel·머리카락보다 가는 미세 물길)을 결합한 초고효율 액체 냉각 기술을 개발했다고 16일 밝혔다.
AI 반도체의 성능이 높아질수록 칩에서 발생하는 열량도 빠르게 증가하고 있다. 그러나 기존 공랭 방식만으로는 차세대 AI 반도체에서 발생하는 열을 효과적으로 제거하기 어려워지고 있다. 이에 따라 반도체 칩 내부에 냉각수를 직접 흘려 열을 제거하는 액체 냉각 기술이 주목받고 있다.
특히 매니폴드 마이크로채널(MMC)은 머리카락보다 가는 미세 물길인 마이크로채널(microchannel)에 냉각수를 흘려 열을 제거하는 기술이다. 여기에 매니폴드를 적용하면 냉각수를 여러 지점에 동시에 공급할 수 있어 냉각 효율을 높일 수 있다.
이를 택배 배송에 비유하면 전국 물량을 서울 한 곳에서 보내는 대신 여러 지역 물류센터에서 나누어 배송하는 것과 같다. 물건이 이동하는 거리가 짧아지듯 냉각수의 이동 거리도 줄어들어 에너지 소모를 줄일 수 있다.
하지만 기존 MMC 연구에서는 냉각수가 일부 채널에 집중되고 다른 채널에는 충분히 공급되지 않는 문제가 있었다. 연구팀은 냉각수가 모든 채널에 고르게 흐르도록 구조를 최적화했다. 이를 위해 간단한 계산 모델과 정밀한 시뮬레이션을 함께 활용해 수많은 설계안을 분석했고, 냉각 성능은 높이면서도 에너지 손실은 줄일 수 있는 최적 구조를 찾아냈다.
연구팀은 최적화된 구조를 실제 실리콘 웨이퍼에 제작해 성능을 검증했다. 그 결과 냉각 효율을 나타내는 성능계수(COP, Coefficient of Performance·투입한 에너지 대비 제거한 열의 양을 나타내는 지표)는 106,000을 기록했다. 이는 냉각에 사용하는 에너지 1만큼으로 10만6천 배에 해당하는 열을 제거할 수 있다는 의미다.
이 수치는 2020년 국제학술지 ‘네이처(Nature)’에 보고된 기존 세계 최고 수준보다 10배 이상 높은 수준이다. 쉽게 말해 같은 양의 열을 식히는 데 필요한 에너지가 기존 기술의 10분의 1 수준으로 줄어든 것이다.
특히 이번 성과는 액체가 끓으며 열을 제거하는 복잡한 냉각 방식이나 나노 표면 처리, 다이아몬드 같은 고가 소재 없이 상온의 물만으로 구현됐다. 또한 현재 반도체 생산라인에서 추가 설비 투자 없이 적용할 수 있어 상용화 가능성도 높다.
이번 연구는 5mm×5mm 크기의 실험용 칩에서 검증됐으나, 연구팀은 동일한 설계 원리를 현재 AI 데이터센터에 쓰이는 GPU·TPU 등 대형 AI 반도체(최대 7.5cm×7.5cm)에도 적용할 수 있다고 밝혔다. 실제로 이를 데이터센터의 콜드 플레이트(냉각수를 흘려 열을 제거하는 금속 냉각판)에 적용한 결과, 기존 대비 30% 이상 향상된 냉각 성능을 확인했다. 연구팀은 향후 엔비디아(NVIDIA)의 차세대 AI 플랫폼인 '베라 루빈(Vera Rubin)'급 초고성능 칩에도 이 기술이 활용될 수 있을 것으로 기대하고 있다.
연구팀은 이번 기술이 AI 반도체를 비롯해 고성능 컴퓨팅(HPC), 3차원 반도체 패키징, 전력반도체, 국방 전자장비 등 발열이 큰 다양한 전자장치의 열관리 문제 해결에 활용될 것으로 전망했다. 특히 AI 데이터센터의 경우 냉각에 많은 전력이 사용되는 만큼, 이번 기술이 데이터센터의 전력 소비와 운영 비용을 줄이는 핵심 기술이 될 것으로 기대된다.
김성진 교수는 "AI 시대에는 반도체 성능보다 열을 얼마나 효과적으로 제어하느냐가 경쟁력"이라며 "이번 기술이 AI 데이터센터의 전력 소비를 줄이는 핵심 기술로 활용되기를 기대한다"고 말했다.
이번 연구에는 KAIST 기계공학과 이영진, 황철현, 이한솔 연구원이 공동 제1저자로 참여했으며, 연구 결과는 국제 학술지 ‘Energy Conversion and Management’에 6월 15일 게재됐다.
※ 논문명: Highly energy-efficient manifold microchannel for cooling electronics with a coefficient of performance over 100,000, DOI: https://doi.org/10.1016/j.enconman.2026.121422
한편 본 연구는 과학기술정보통신부 재원 한국연구재단(NRF) 중견연구자지원사업(2021R1A2C3011944)과 방위사업청 재원 국방기술진흥연구소(KRIT) 초고열유속 냉각시스템 특화연구실 사업(KRIT-CT-22-022)의 지원을 받아 수행됐다.
안보 민감 연구 규제 강화가 과학 발전 위축시킬 수 있다
“안보에 위협이 될 수 있는 연구를 막아야 한다”는 강화된 관리 감독 규제가 오히려 인류에 필요한 핵심 과학 발전까지 제한할 수 있다는 사실이 우리 대학 연구진에 의해 밝혀졌다. 연구진은 과학 발전과 국가안보 사이의 균형 있는 정책 설계 필요성을 제시했다.
우리 대학은 기술경영학부 권석범 교수가 이중 용도 연구에 관한 강화된 보안 규제가 핵심 과학 발전을 위축시킬 수 있다는 점을 대규모 데이터 분석을 통해 규명했다고 5일 밝혔다.
이중용도연구는 백신·치료제 개발처럼 인류에 기여할 수 있는 동시에 생물무기나 생물테러 등 안보 위험에도 활용될 가능성이 있는 연구를 의미한다. 대표적으로 바이러스 변이 연구나 병원체 전파 연구 등이 이에 해당한다.
미국은 최근 이중용도연구에 대한 보안 감독을 지속적으로 강화해 왔으며, 2025년에는 대통령 행정명령(EO 14292)을 통해 추가 규제를 도입했다. 그러나 이러한 규제 강화가 과학 발전과 국가안보에 미치는 영향을 객관적으로 분석한 연구는 부족한 상황이었다.
미국의 사전 보안 감독 규정은 국가안보결정지침 189호 (NSDD-189)에 근거하며, 연방정부가 연구에 직접 관여하는 경우에 적용된다. 따라서 연방정부 관여 없이 수행되는 연구는 사실상 이 감독의 관할권 밖에 놓이게 된다.
권석범 교수는 미국 특허청(USPTO)의 다단계 보안 심사 절차와 특허-논문 인용 데이터를 결합한 새로운 분석 방법론을 개발해 약 60만 건의 연구 논문을 분석했다. 이를 통해 기존 사례 중심 분석에만 의존하던 이중용도연구 논의를 대규모 실증 분석으로 전환했다는 점에서 학계의 높은 평가를 받았다.
분석 결과, 이중용도연구는 일반 연구보다 과학적 영향력이 일관되게 높은 것으로 나타났다. 이는 규제 대상이 되는 연구일수록 과학 발전과 기술 혁신에 중요한 역할을 할 가능성이 크다는 의미다.
또한 미국 연방정부가 직접 관여한 이중용도연구의 비중은 1981년 약 41%에서 2005년 약 22%로 감소한 반면, 외국 기관이 관여한 비중은 같은 기간 35%에서 54%로 증가한 것으로 나타났다. 이는 NSDD-189에 근거한 미국의 보안 규제가 자국 연구에는 집중적으로 적용되는 사이 해외 연구 비중은 지속적으로 확대되고 있음을 보여준다.
권석범 교수는 “한 국가의 규제 강화만으로는 자국 내 과학적 파급력이 큰 연구에만 불균형적인 제약을 가하면서, 동일한 중요성을 가진 해외 연구의 발전은 막지 못하는 결과를 초래할 수 있다”며 “과학 발전과 국가안보를 동시에 달성하기 위해서는 국제 협력과 균형 있는 정책 설계가 필요하다”고 설명했다.
이번 연구는 이중용도연구를 둘러싼 국제 정책 논의에 데이터 기반 근거를 제시했다는 점에서 의미가 크다. 특히 바이오뿐 아니라 인공지능(AI), 양자기술 등 안보와 연결될 수 있는 첨단기술 분야에서도 향후 연구 규제와 글로벌 협력 체계 논의에 중요한 참고자료가 될 것으로 기대된다.
이번 연구는 권석범 교수의 단독 저자 논문으로, 세계적 권위의 과학 학술지 사이언스(Science)에 2026년 6월 5일 자로 게재됐다.
※ 논문명: Dual-use research under scrutiny, DOI: 10.1126/science.aee2479
한편 이번 연구는 한국연구재단 인문사회 신진연구자 지원 사업(2025S1A5A8009362) 지원을 받아 수행됐다.
AI ‘시간 오류’ 잡았다...의료·법률 분야 신뢰성 높인다
“지난달 취임한 장관이 누구냐”는 질문에 챗GPT가 1년 전 인물을 답한다면 어떨까. 최신 정보를 제대로 반영하지 못하는 AI의 한계를 보여주는 사례다. 우리 대학 연구진이 변화하는 현실 정보를 자동으로 반영하면서도, 겉으로는 맞아 보이는 ‘시간 오류’까지 잡아내는 새로운 평가 기술을 개발했다. AI 신뢰성을 획기적으로 높일 수 있을 것으로 기대된다.
우리 대학은 전기및전자공학부 황의종 교수 연구팀이 마이크로소프트연구소(Microsoft Research)와 공동연구를 통해, 시간 데이터베이스 기술을 활용해 거대언어모델(LLM)의 시간 추론 능력을 자동으로 평가·진단하는 시스템을 개발했다고 14일 밝혔다.
인공지능이 사용자의 신뢰를 얻기 위해서는 시시각각 변화하는 현실 정보를 정확히 이해하는 능력이 필수적이다. 그러나 기존 평가 방식은 정답 일치 여부만을 확인하거나 복잡한 시간 관계를 충분히 반영하지 못해, 실제 환경에서 발생하는 다양한 질문 상황을 제대로 평가하기 어렵다는 한계가 있었다.
연구팀은 이를 해결하기 위해 지난 40여 년간 검증되어 온 ‘시간 데이터베이스(Temporal Database)’ 설계 이론을 인공지능 평가에 최초로 도입했다. 데이터의 시간적 흐름과 관계 구조를 활용해, 사람이 평가용 문제를 일일이 작성하지 않아도 데이터베이스만으로 13가지 유형의 복잡한 시간 기반 문제가 자동으로 생성되도록 했다는 점이 핵심이다.
특히 이번 기술은 사람이 문제를 직접 만들던 기존 방식에서 벗어나, 데이터를 기반으로 평가 문제가 자동 생성되는 방식으로 전환했다는 점에서 가장 큰 혁신으로 평가된다. 또한 데이터베이스를 기준으로 문제 생성부터 정답 도출, 검증까지 전 과정을 자동화해, 기존처럼 문제를 일일이 수정할 필요 없이 유지보수 부담을 획기적으로 줄일 수 있다.
현실 정보가 변경될 경우에는 해당 내용을 데이터베이스에 업데이트하면 평가 문제와 정답, 검증 기준이 자동으로 반영된다. 다만 최신 정보의 입력 자체는 외부 데이터나 관리자를 통해 이루어지며, 본 기술은 이러한 데이터가 갱신된 이후 평가 전반을 자동으로 수행하는 구조다.
또한 연구팀은 단순히 최종 답이 맞는지 틀리는지 여부를 판단하는 기존 방식에서 나아가, 답변 과정에서 제시된 날짜나 기간의 논리적 타당성까지 검증하는 지표를 새롭게 도입했다. 이를 통해 겉보기에는 정답처럼 보이지만 시간적 근거가 잘못된 ‘시간 환각(Temporal Hallucination)’ 현상을 기존 대비 평균 21.7% 더 정확하게 탐지하는 성과를 보였다.
이 기술을 적용하면 정보 변경 시 데이터베이스만 갱신하면 되기 때문에 평가 유지 비용을 크게 절감할 수 있으며, 입력 데이터량 역시 기존 대비 평균 51% 줄어드는 효과를 보였다.
황의종 교수는 “이번 연구는 고전적인 데이터베이스 설계 이론이 최신 인공지능의 신뢰성 문제를 해결하는 데 중요한 역할을 할 수 있음을 보여준 사례”라며, “방대한 전문 데이터를 평가 자원으로 전환함으로써 향후 의료·법률 등 다양한 분야의 인공지능 성능 검증에 실질적인 기반이 될 것으로 기대한다”고 말했다.
이번 연구는 KAIST 김소연 박사과정이 제1저자로 참여했으며, 마이크로소프트연구소의 진동 왕(Jindong Wang, 現 윌리엄 앤 메리 대학교)과 싱 시에(Xing Xie) 연구원이 공동 저자로 참여했다. 연구 결과는 오는 4월 인공지능 분야 최고 권위 학술대회인 ‘ICLR 2026’에서 발표될 예정이다.
※ 논문명: Harnessing Temporal Databases for Systematic Evaluation of Factual Time-Sensitive Question-Answering in Large Language Models, 논문 링크: https://arxiv.org/abs/2508.02045
한편, 이번 연구는 마이크로소프트연구소, 한국연구재단, 정보통신기획평가원(IITP) 글로벌 AI 프론티어랩 과제(RS-2024-00469482, RS-2024-00509258)의 지원을 받아 수행됐다.
엔비디아보다 2.1배 빠른 유튜브 추천...‘버벅임’없앴다
유튜브 영상 추천이나 금융 사기 탐지처럼 사람 사이의 복잡한 관계를 빠르게 분석하는 핵심 AI 기술로 ‘그래프 신경망(GNN, Graph Neural Network)’이 있다. 여기서 말하는 그래프는 우리가 떠올리는 그래프 그림이 아니라, 사람과 사람 사이의 연결 관계를 뜻한다. 우리 대학 연구진은 엔비디아보다 추천 속도는 2.1배 빠르고, 지연은 줄이며, 전력 소모까지 낮춘 AI 반도체 기술 ‘오토GNN(AutoGNN)’을 개발해 주목받고 있다.
우리 대학은 전기및전자공학부 정명수 교수 연구팀이 그래프 신경망 기반 인공지능의 추론 속도를 획기적으로 높일 수 있는 AI 반도체 기술 ‘오토GNN’을 세계 최초로 개발했다고 5일 밝혔다.
연구팀은 서비스 지연의 주된 원인이 인공지능 추론 이전 단계인 그래프 전처리(Graph Preprocessing) 과정에 있음을 밝혀냈다. 이 과정은 전체 계산 시간의 70~90%를 차지하지만, 기존 GPU는 복잡한 관계 구조를 정리하는 연산에 한계가 있어 병목 현상이 발생해 왔다.
이를 해결하기 위해 연구팀은 입력 데이터 구조에 따라 반도체 내부 회로를 실시간으로 바꾸는 적응형 AI 가속기 기술을 설계했다. 분석해야 할 데이터의 연결 방식에 맞춰 반도체가 스스로 가장 효율적인 구조로 바뀌는 방식이다.
연구팀은 필요한 데이터만 골라내는 UPE 모듈과 이를 빠르게 정리·집계하는 SCR 모듈을 반도체 안에 구현했다. 데이터의 양이나 형태가 바뀌면 이에 맞춰 최적의 모듈 구성이 자동으로 적용돼, 어떤 상황에서도 안정적인 성능을 유지할 수 있도록 했다.
성능 평가 결과, 오토GNN은 엔비디아의 고성능 GPU(RTX 3090) 대비 2.1배 빠른 처리 속도를 기록했으며, 일반 CPU 대비 9배 빠른 성능과 함께 에너지 소모를 3.3배 줄이는 효율성을 보였다.
이번 기술은 추천 시스템이나 금융 사기 탐지처럼 복잡한 관계 분석과 빠른 응답이 필요한 인공지능 서비스에 즉시 적용할 수 있다. 데이터 구조에 따라 스스로 최적화되는 AI 반도체 기술을 확보함으로써, 향후 대규모 데이터를 다루는 지능형 서비스의 속도와 에너지 효율을 동시에 높일 수 있는 기반이 마련됐다는 평가다.
정명수 교수는 “이번 연구는 불규칙한 데이터 구조를 효과적으로 처리할 수 있는 유연한 하드웨어 시스템을 구현했다는 점에서 의미가 크다”며 “추천 시스템은 물론 금융·보안 등 실시간 분석이 필요한 다양한 AI 분야에 활용될 것”이라고 말했다.
이번 연구는 2026년 1월 31일부터 호주 시드니에서 열리는 컴퓨터 아키텍처 분야 최우수 국제학술대회인 제32회 ‘IEEE International Symposium on High-Performance Computer Architecture (HPCA 2026)’에서 2월 4일 발표됐다.
※ 논문명: AutoGNN: End-to-End Hardware-Driven Graph Preprocessing for Enhanced GNN Performance, https://2026.hpca-conf.org/details/hpca-2026-main-conference/69/AutoGNN-End-to-End-Hardware-Driven-Graph-Preprocessing-for-Enhanced-GNN-Performance
이 연구는 삼성미래기술육성사업의 지원을 받았다.