Projects
Heterogeneous Memory Systems
To support data-intensive applications such as big data analytics, deep learning, and databases, continuous advances in high performance computing systems are required. In particular, data-intensive applications store more and more data in main memory, requiring a memory system that can continuously expand storage capacity and bandwidth. In this research, we explore heterogeneous memory systems that comprise Non-Volatile Memory (NVM) and DRAM.
Research Topics:
Architectural techniques for heterogeneous memory systems
System software (operating system) for heterogeneous memory systems
빅데이터 분석, 딥러닝, 데이터베이스 등과 같은 데이터 집약 어플리케이션을 원활하게 지원하기 위해서는 고성능 컴퓨팅 시스템의 지속적인 발전이 필요합니다. 특히, 데이터 집약 어플리케이션은 점점 더 많은 데이터를 메인 메모리에 저장하기 때문에 저장 용량과 대역폭을 지속적으로 확장시킬 수 있는 메모리 시스템을 요구합니다. 본 연구에서는 최근 활발한 연구 및 개발이 진행 중인 NVM (Non-Volatile Memory, 비휘발성 메모리)과 DRAM을 함께 사용하는 이기종 메모리 시스템 (Heterogeneous Memory System)에 대해 연구합니다.
주요 연구주제:
이기종 메모리 시스템 아키텍처 연구
이기종 메모리 시스템을 위한 시스템 소프트웨어 연구
AI Acceleration
Recently, artificial intelligence (AI) is evolving very rapidly, and in some areas it outperforms human capabilities. This rapid advancement in artificial intelligence was possible because of significant improvements in the computing system performance. Therefore, for the continuous advances in artificial intelligence, continuous advances in high-performance computing technology are required to meet higher demand on the computing power in future AI applications. In this research, we explore novel architectural techniques and algorithm/software optimizations for CPU/GPU/FPGA to meet the computing requirements of the AI applications.
Research Topics:
Memory systems for GPU (Deep learning Accelerators)
CPU architectures for deep learning
Near-data processing for deep learning
Reliable DNN Accelerators
DNN model compression for on-device AI
최근 인공지능(AI, Artificial Intelligence)은 매우 빠른 속도로 진화하며 일부 분야에서는 사람의 능력을 넘어서는 수준으로 구현되고 있습니다. 이러한 인공지능의 빠른 발전배경에는 컴퓨팅 시스템의 비약적인 성능 향상이 있습니다. 따라서, 인공지능의 지속적인 발전을 위해서는 많은 연산량을 빠르게 처리할 수 있는 고성능 컴퓨팅 기술의 지속적인 발전이 필요합니다. 본 연구에서는 인공지능 기반 응용을 위한 고성능 컴퓨팅 시스템에 대해 연구합니다. 인공지능을 위한 CPU/GPU/ASIC 등 프로세서 아키텍처 설계, 인공지능 알고리즘 및 소프트웨어 최적화 연구를 수행합니다.
주요 연구주제:
딥러닝 가속 하드웨어를 위한 고용량 고대역 메모리 시스템
딥러닝을 위한 멀티코어 아키텍처
딥러닝 가속을 위한 Near-data Processing 기술
고신뢰성 DNN 가속기 아키텍처
On-device AI를 위한 딥러닝 모델 경량화 기술
Genome Analysis Acceleration
Genome analysis is one of the key technologies that will drive future medical technologies. Recent advances in genomic data collection technology are expected to enable us to precisely diagnose genetic defects and other diseases caused by environmental factors such as cancer and diabetes using genome analysis technology. Practical use of genome analysis requires advances in analytical techniques that enable rapid analysis of collected data. The goal of this study is to develop a hardware accelerator that can accelerate genome sequence alignment and genome assembly which are key technologies for genome analysis. To do this, we will analyze the performance bottlenecks of the Genome Sequence Alignment and Genome Assembly algorithm and design a very new hardware accelerator to address them.
Research Topics:
Hardware accelerator architectures and FPGA implementation
Near-data processing for accelerating genome sequence alignment
Genome 분석은 미래 의료기술을 이끌어갈 핵심 기술입니다. 최근 유전체 데이터 수집 기술의 비약적인 발전으로 인해 유전체 분석 기술을 사용하여 암과 당뇨병 등 복합질병에 대한 유전적 결함 및 환경적 요인에 의한 질병 등을 정밀하게 진단할 수 있을 것으로 기대되고 있습니다. 유전체 분석을 실용화하기 위해서는 수집된 데이터를 빠르게 분석할 수 있는 분석 기술의 발전이 필요합니다. 본 연구의 목표는 유전체 분석을 위한 핵심기술인 Genome Sequence Alignment 및 Genome Assembly를 가속화할 수 있는 하드웨어 가속기를 개발하는 것입니다. 이를 위해 Genome Sequence Alignment 알고리즘의 성능 병목을 분석하고 이를 해결하기 위한 매우 새로운 하드웨어 가속기를 설계할 것입니다.
주요 연구주제:
Genome sequence alignment 가속기 설계 및 FPGA 구현
Near-data processing 기술을 이용한 Genome sequence alignment 가속화 기술
