Message from Advisor
다음은 연구실의 전반적인 정보 및 연구실에 관심있는 학생들을 위해서 작성한 글입니다. 더 궁금한 점이 있으면 주저하지 말고 곽정호 교수에게 이메일 (jeongho.kwak@dgist.ac.kr)을 보내시기 바랍니다.
1. 수행하고 있는 연구의 방향은 어떤 것인가요?
ICNL은 기본적으로 "네트워크 분야"의 "시스템"을 연구합니다. 실제 네트워크 환경들은 시간이 흐름에 따라 변화하므로 주로 시변 시스템에 대해 다룹니다. 이런 변화에 적응적으로 더 좋은 시스템을 위한 매개변수를 최적화 도구나 머신러닝 도구를 활용하여 찾아나가는 방향의 연구를 지향합니다.
2. 현재 진행되고 있는 집중 연구분야는 무엇인가요?
현재는 차세대 네트워크와 연결된 클라우드/엣지 컴퓨팅 구조에서 스마트폰 단말의 자원 (발열, 메모리, 프로세싱, 네트워킹)을 고려한 On-device AI (LLM/Vision 추론)와 동적 컨텐츠/서비스 캐싱 및 저궤도 위성 엣지 컴퓨팅 관련 연구를 집중적으로 연구하고 있습니다. MEC-Assisted On-device AI는 모바일 단말이 엣지 컴퓨팅 자원의 도움을 받아 자원 효율적으로 인공지능 추론을 할 수 있도록 하는 기술을 의미합니다. 또한 컨텐츠/서비스 캐싱은 네트워크 기지국 근처의 엣지 컴퓨팅 서버에 미래에 자주 요청이 될 것으로 예상되는 컨텐츠/서비스를 미리 저장함으로써 컨텐츠/서비스 요청 지연을 줄이는 기술을 의미합니다. 이는 최근 아마존이나 구글, 유튜브, 넷플릭스 회사의 핵심 기술 중 하나이기도 합니다. 이와같은 시스템을 여러 최적화 도구와 강화학습 등의 인공지능 알고리즘을 활용하여 디자인하고, 매트랩, 안드로이드 SDK, 텐서플로우 등과 같은 도구들을 활용하여 시뮬레이션 및 실제 환경에서의 실험을 수행하여 제안한 시스템의 성능을 검증합니다. 이것 외에도 여러 재미있는 연구주제들이 많이 있습니다. 더 구체적인 연구내용을 알고싶은 학생은 위쪽 Research메뉴에 들어가 Reference Papers를 살펴보기 바랍니다. ICNL에서 하고자 하는 연구는 특정 하드웨어에 종속되어 있지 않기 때문에 머릿속으로 상상해본 시스템을 무엇이든지 개발하고 구현해 볼 수 있다는 장점이 있습니다. 또한 ICNL은 서울대학교, KAIST, 한양대학교, 건국대학교, 인하대학교 등 국내 여러 학교들 뿐만 아니라 유럽 Trinity College Dublin, Delft University, Amazon Web Service, 캐나다 INRS 등 여러 국외기관들과도 공동연구를 적극적으로 진행 중에 있습니다. 따라서 학생이 하고 싶은 연구 분야가 있다면, 이런 연구기관들과 협업하여 연구를 효율적으로 진행할 수 있다는 장점이 있습니다.
3. 어떤 과목들을 공부해야 ICNL에서 하는 연구들을 잘 해나갈 수 있나요?
기본적으로 아래 과목들은 필수로 공부하기를 추천하는 학부과목입니다.
컴퓨터 알고리즘 (C, 파이썬), 프로그래밍(이론, 실습), 통신의 기초, 신호및시스템, 확률과통계, 해석학, 자료구조, 선형시스템, 컨벡스최적화, 인공지능 입문
다음은 추가로 공부를 하면 좋을 과목들입니다.
컴퓨터 네트워크, 모바일시스템, 게임이론, 이동통신시스템, 딥러닝개론, 강화학습
위에서 언급한 과목 외에도 네트워크/인공지능을 위한 입문용 논문들이나 교재들이 많이 있으니 상담을 받기를 추천합니다.
4. ICNL에서 잘 하기 위해서는 어떤 능력이 필요한가요?
가장 중요한 것은 "열정" 입니다. 열정이라는 것은 자신이 정말 하고 싶어해야 생길 수가 있는 것이라고 믿고 있습니다. 저는 대학시절 한때 "스타크래프트"에 빠져 살았습니다 (스타크래프트란 요즘 학생들의 "League of Legend"라고 생각하시면 됩니다). 저는 정말 스타크래프트 프로게이머가 되고 싶어서 밤낮없이 미친듯이 게임만 했었습니다. 비록 "재능"이 없어서 게임이 제 밥벌이가 되지는 못했지만 그때 얻은 "열정으로 나를 나의 한계까지 몰아붙여본 경험"이 힘든 석사과정과 박사과정에서 정말 큰 도움이 되었습니다.
그 다음 중요한 것은 "근본적인 것을 탐구하는 자세" 입니다. 가장 좋은 연구는 가장 근본에서 들여다볼 때 할 수 있다고 믿고 있습니다. 여러 Random한 시도를 해 봤더니 몇번째 시도에서 성능이 잘 나오더라 라는 연구는 ICNL에서는 "지양"합니다. 근본을 들여다보기 위해서 필요한 것은 수학이지만, 수학과에서 하는 것처럼 수학적 "재능"이 요구될 정도의 수학을 사용하지는 않습니다. ICNL에서 사용하는 수학은 위에서 언급한 열정으로 충분히 커버 가능하고 어디까지나 도구로써 사용됩니다.
마지막은 "새로운 것을 향한 적극적인 탐색" 입니다. 이미 여러 사람들이 많이 해 왔던 연구분야에서 두각을 드러내기는 쉽지 않습니다. 위에서 언급한 "어려운 수학"이 사용되어야 할지도 모릅니다. 하지만 지금껏 많이 연구되지 않은 분야를 찾아낸다면 쉽고 재미있는 방법으로 영향력 있는 연구를 수행할 수 있습니다. 가장 간단하게는 평소 구글링으로 새로운 분야의 지식을 "스캐닝" 하는 습관을 들이거나, 가끔씩은 네트워크/인공지능과 관련이 없을 것 같은 논문들을 검색해 봄으로써 시야를 넓힐 수 있습니다.
5. ICNL을 더 구체적으로 알고 싶어요.
제가 만든 다음의 자료들을 참고하면 됩니다. 연구실에 처음 들어오면, 이 자료들을 가지고 오리엔테이션을 합니다.