[이데일리 김현아 기자] KAIST 전기및전자공학부 김정호 교수 연구실(KAIST TERA Lab)의 이정현 박사과정 학생이 전자파·신호·전원 무결성 분야 국제학회에서 최우수 학생 논문상을 받으며 연구 역량을 세계 무대에서 인정받았다.

KAIST 테라랩은 이정현 학생이 지난 3~7일 미국 텍사스주 댈러스에서 열린 ‘EMC+SIPI 2026 국제학회’에서 ‘최우수 학생 논문상(Best Student Paper-Honorable Mention)’을 수상했다고 13일 밝혔다.

IEEE EMC Society가 주관하는 EMC+SIPI는 전자파 적합성(EMC), 신호 무결성(SI), 전원 무결성(PI)을 다루는 대표적인 국제학회다. 올해는 칩 수준 EMC부터 데이터센터·초고속 디지털 시스템, AI·머신러닝을 활용한 EMC·SIPI 해석 및 측정까지 다양한 연구가 소개됐다.

이번 수상은 특히 대학원생 연구자가 독창적인 아이디어를 실제 산업 현장의 기술 문제에 적용해 국제 무대에서 성과를 인정받았다는 점에서 의미가 있다.

수상 논문은 ‘데이터 효율적인 다중 포트 전력 분배 네트워크 분석을 위한 물리 인식 텐서 학습(Physics-Aware Tensor Learning for Data-Efficient Multi-Port Power Distribution Network Analysis)’이다.

연구팀은 첨단 반도체 패키지와 HBM(고대역폭 메모리) 시스템에서 발생하는 대규모 전원 공급망(PDN) 데이터를 효율적으로 저장·분석하면서 데이터에 담긴 전자기적 특성까지 해석할 수 있는 텐서 기반 표현 학습 방법을 제안했다.

최근 반도체 패키지는 전력과 입출력 밀도가 높아지면서 수많은 전원·접지 포트를 동시에 분석해야 한다. 포트 수가 N개, 주파수 점이 F개라면 PDN 임피던스 데이터는 N×N×F 크기의 3차원 데이터로 구성돼 포트 수가 늘어날수록 데이터 규모가 빠르게 증가한다.

연구팀은 이를 해결하기 위해 수학적 저차원 분해 기법인 ‘터커 분해(Tucker decomposition)’를 데이터 기반 표현 학습에 적용했다. 방대한 임피던스 데이터를 포트 간 공간적 결합을 나타내는 공간 잠재 인자, 주요 주파수 응답을 나타내는 스펙트럼 기저 함수, 이들의 상호작용을 저장하는 코어 텐서로 나눠 저장하는 방식이다.

특히 공진점의 크기와 위상 정보를 유지하기 위해 복소수 영역에서 텐서를 학습하고, 복원 정확도가 낮은 포트에 더 높은 가중치를 주는 ‘신뢰도 기반 포컬 학습(reliability-aware focal learning)’을 적용했다.

연구팀이 256포트 PDN을 대상으로 분석한 결과, 기존 방식으로 전체 복소 임피던스 데이터를 저장하면 약 1001MB가 필요했지만 제안한 방식은 약 1.44MB만으로 목표 복원 정확도를 확보했다. 약 695대 1의 압축 성능이다.

단순히 데이터 용량을 줄이는 데 그치지 않고, 압축된 공간·주파수 인자를 활용해 강한 결합이 발생하는 위치와 전체 응답을 지배하는 공진 특성까지 분석할 수 있다는 점도 특징이다.

연구팀은 향후 실제 반도체 패키지처럼 포트가 불규칙하게 배치되고 비아, 배선, 디커플링 캐패시터 등이 포함된 PDN으로 연구를 확대할 계획이다. 이를 통해 대규모 HBM·칩렛 패키지의 신속한 예측과 최적화, 결함 진단, AI 기반 설계 자동화 등에 활용할 수 있는 저차원 물리 특징을 개발한다는 목표다.

이정현 학생은 “인공지능과 슈퍼컴퓨터가 고차원 데이터를 표현하고 처리하는 원리와 구조를 공부하면서 얻은 아이디어를 SI·PI 문제에 적용해 이번 연구를 진행했다”며 “여러 분야에서 얻은 지식을 연구로 발전시켜 국제학회에서 좋은 평가를 받아 뜻깊다”고 말했다.

이어 “앞으로 보다 현실적인 반도체 패키지 구조에서도 텐서 기반 표현의 정확성과 해석 가능성을 검증하고 AI 기반 전원 무결성 예측과 설계 최적화로 연구를 확장하고 싶다”고 밝혔다.