(K-EECS) 진지하게 재미로 비교해 본 서울대, KAIST, POSTECH의 연구 성향

–

어떤 데이터로 분석할까?

전자, 컴퓨터 분야의 국내 연구현황에 대한 다양한 분석을 해보기 위해, 현재 19개 국내 대학의 전자, 컴퓨터 관련학과에 소속된 현직 전임교수들의 연구내용을 수집하고 있습니다.

다음과 같은 대학들을 대상으로, 각 대학의 전자, 컴퓨터 관련 학과에 소속된 전임 교수들의 구글 스칼라에 공개된 데이터를 활용합니다.

• 경희대, 고려대, 광운대, 서강대, 서울대, 성균관대, 숭실대, 아주대, 연세대, 이화여대, 인하대, 중앙대, POSTECH, 한양대, 홍익대
• KAIST, GIST, DGIST, UNIST

2025년 7월 초에 1차 수집을 완료하여 약 1200여 명의 연구내용(약 180,000여 개의 논문, 특허 등)을 확보하였으며, 이후에도 지속적으로 모니터링하면서 연구자들을 계속 탐색하고 수집 대상 대학도 계속 늘려갈 예정입니다.

–

–

그림 1은 2016년 이후부터 현재까지의 데이터를 통해 파악한 국내 3개 대학 – 서울대학교, KAIST, POSTECH – 의 전자, 컴퓨터 분야의 상위 10개 세부 주제들을 나타냅니다. 전자, 컴퓨터 분야의 전체 70여 개의 세부 주제들 중에서 3개 대학의 상위 10개 세부 주제들은 모두 22개입니다.

–

1. 서울대, KAIST, POSTECH의 공통 Top-10 주제

3개 대학의 Top-10에 모두 공통적으로 포함되어 있는 세부 주제는 ‘Robust Machine Learning and AI Integrity Techniques’와 ‘Reinforcement Learning and Optimization Strategies in AI’입니다.

‘Robust Machine Learning and AI Integrity Techniques’ 주제에서 국내의 대학들은 다음과 같은 주제에 대해 연구하고 있습니다.

• 학습 모델의 구조를 설계하고 경량화하는 연구
• 학습 데이터나 모델에서 발생할 수 있는 편향을 식별하는 연구
• 학습 모델이 외부의 작은 변화나 악의적인 공격에도 안정적으로 동작하게 하는 연구
• Hyper-Parameter들을 최적화하여 모델의 성능을 향상시키는 연구
• 학습 모델을 설명 가능(interpretable)하게 만들기 위한 연구
• 특정 환경에서 만들어진 모델이 다른 환경에서도 잘 적응하도록 모델의 domain adatation 능력을 키우기 위한 연구

‘Reinforcement Learning and Optimization Strategies in AI’ 주제에서 국내의 대학들은 다음과 같은 주제에 대해 연구하고 있습니다.

• 다양한 수학적 기법을 활용하여 Reinforcement Learning 모델의 성능을 향상시키기 위한 연구
• 모델이 새로운 작업이나 환경에 잘 적응하도록 하기 위한 meta-training / meta-learning 기술 연구
• 적은 데이터로도 효과적으로 학습할 수 있는 모델을 개발하는 연구
• 불확실성이 높은 환경에서도 위험을 관리하고 안정적으로 동작하게 하기 위한 전략 탐구
• 통계적 방법, 신경망 구조, 딥러닝 아키텍처를 활용하여 강화학습 문제를 해결하려는 연구

세 대학 모두 이 두 개의 세부 주제를 최상위권에 포함시키고 있다는 것은 인공지능(AI) 및 관련 기술 분야에 높은 비중을 두고 있다는 것을 의미합니다. 최근에 인공지능에 대한 관심이 전 국가적으로 크게 높아졌음을 고려할 때 자연스러운 현상이라고 볼 수 있습니다.

–

2. 서울대학교의 상위 주제 구성의 특징

서울대학교의 상위 10개 세부 주제의 구성을 보면, 전자, 컴퓨터 분야에서 비교적 넓은 스펙트럼의 주제들에 비중을 두고 있다고 할 수 있습니다.

“AI Foundations → 물리 시스템 → 다학제 응용”에 걸친 전 영역에 비중을 두고 있어 머신러닝 알고리즘의 안전성과 물리, 하드웨어 시스템의 최적화, 그리고 이를 응용하는 다양한 도메인을 유기적으로 결합해 연구하는 데 가장 큰 강점을 보일 것으로 보입니다.

–

서울대학교의 최상위 세부 주제

세 가지 AI 핵심 축(Robust ML, Robotics, Reinforcement Learning)에 약 15% 이상의 의 연구 역량을 집중하고 있습니다.

• Robust Machine Learning and AI Integrity Techniques
  • 전체 연구 중 7% 이상을 차지하며, 서울대학교가 가장 강하게 밀고 있는 주제입니다.
• Robotics and Biomechanics: Motion, Control and Human Interaction
  • 로보틱스·제어 분야가 두 번째로 큰 비중을 차지하고 있습니다. 서울대학교는 AI 알고리즘을 실제 물리 시스템에 적용하는 연구에 비중을 두고 있을 것으로 추론해 볼 수 있습니다.
• Reinforcement Learning and Optimization Strategies in AI
  • 강화학습 역시 국가적인 관심을 받고 있는 인공지능 분야의 대표적인 세부 주제들 중의 하나입니다.

–

서울대학교에서 중간 비중으로 다루는 주제군

하드웨어 최적화(메모리·반도체·전력), 신호처리·음성인식,, 바이오·의료 분야, 사이버 보안, 에너지 시스템 경제성 등과 같은 주제에 모두 2–3%씩 비중을 두고 있어, 서울대학교가 AI 이론뿐 아니라 시스템, 인프라, 응용과 관련된 전 영역에 폭넓게 비중을 두고 있음을 알 수 있습니다.

• Advanced Semiconductor Devices and Nanoelectronic Integration
• Advanced Computing: Memory Systems and Processing Optimization
• Advanced Memory Architectures and Management Systems
• Audio and Speech Signal Processing and Recognition
• Biotechnology and Biomedical Microbiology Research
• Cybersecurity, Cryptography and Digital Threat Mitigation
• Power Electronics, Energy Systems, and Market Economics

–

3. KAIST의 상위 주제 구성의 특징

KAIST의 상위 10개 세부 주제의 구성을 보면, 전반적으로 인공지능 관련 분야에 대해 크게 집중하고 있는 것으로 보입니다.

KAIST는 바이오·의료·해양·에너지 시스템 등과 같은 응용 도메인은 Top‑10에 포함시키지 않았습니다. 이를 통해 KAIST는 서울대학교나 POSTECH과 비교할 때, 시스템 및 응용 분야보다 알고리즘과 휴먼 인터페이스 연구에 더 중점을 두고 있는 것으로 보입니다.

–

KAIST의 최상위 세부 주제

세 가지 AI 축(Robust ML, Reinforcement Learning, Multimodal ML)에 약 15%의 연구 역량을 집중하고 있습니다.

• Robust Machine Learning and AI Integrity Techniques
  • 세 대학 공통의 최상위 세부 주제이자 KAIST에서 가장 큰 비중을 차지합니다.
• Reinforcement Learning and Optimization Strategies in AI
  • 강화학습, 최적화 전략 역시 최상위 3위권 내에 포함되었습니다.
• Cross‑Modal Visual and Text Processing in Machine Learning
  • KAIST는 시각·언어 간 융합 (멀티모달) 학습모델에 대한 비중이 높다는 점이 다른 대학들과 구별되는 특징입니다.

–

KAIST가 중간 비중으로 다루는 주제군

LLM 튜닝, 그래프 이론 응용과 같은 인공지능 주제, 음성, 신호처리, HCI 등을 상위권에 포함시키고 있어, KAIST는 전체적으로 AI 알고리즘과 응용에 비중을 많이 두고 있음을 알 수 있습니다.

• Human‑Computer Interaction: Haptic and Virtual Reality Interfaces
• Advanced Language Model Evaluation and Instruction Tuning
• Audio and Speech Signal Processing and Recognition
• Advanced Semiconductor Devices and Nanoelectronic Integration
• Advanced Nanomaterials and Polymer‑Based Electronics
• Digital Communication: Social Media and E‑commerce Dynamics
• Graph Theory and Evolutionary Algorithms in Computational Applications

–

4. POSTECH의 상위 주제 구성의 특징

POSTECH의 상위 10개 세부 주제의 구성을 보면, POSTECH는 인공지능 외에 전통적인 하드웨어 및 실험 응용 시스템과 관련된 세부 주제에 비중을 두고 있는 것으로 보입니다.

‘메타물질, 나노포토닉스 → 의료영상’ 등 실험, 응용 시스템에 주력하면서, AI 알고리즘은 ‘Robust ML/RL’에 선별적으로 집중하는 모습입니다.

POSTECH는 Cross‑Modal ML, LLM 튜닝, Audio/Speech, HCI, Cybersecurity, Semiconductor Integration 등 소프트웨어, 인터페이스, 보안과 같은 전산학적 주제들은 Top‑10에 포함되지 않았습니다.

POSTECH은 “물리, 광전자, 의료, 해양” 같은 하드웨어, 실험 응용에 집중하고, AI 알고리즘 연구는 ‘강건성 ML /강화학습’에 집중하는 패턴을 보이고 있습니다.

–

POSTECH의 최상위 세부 주제

• Nanophotonics and Metamaterials for Light Manipulation
  • 광학·광전자 분야 중에서도 메타물질·나노포토닉스 연구에 가장 큰 비중을 두고 있습니다.
• Medical Imaging Technologies and Surgical Procedures
  • 의료 이미지(영상) 분야에 대한 응용 연구가 두 번째로 높은 비중을 차지합니다.
• Robust Machine Learning and AI Integrity Techniques & Reinforcement Learning and Optimization Strategies in AI
  • 두 가지 AI 알고리즘(Robust ML, Reinforcement Learning)이 동률로 상위권에 올라 있지만, 비중은 위의 물리, 응용 주제에 비해 많이 낮은 수준입니다.

–

POSTECH가 중간 비중으로 다루는 주제군

POSTECH의 상위 세부 주제들에는 물리적 센서, 장비(안테나, 임베디드 스케줄링), 에너지 시스템, 파워일렉트로닉스, 나노소재 연구도 고루 포함되어 있습니다.

• Marine and Oceanographic Technologies: Sonar and Environmental Applications
• Antenna Design: Multiband and Reconfigurable Technologies
• Advanced Nanomaterials and Polymer‑Based Electronics
• Nanomaterials and Nanotechnology
• Power Electronics, Energy Systems, and Market Economics
• Real‑Time Embedded Systems Scheduling

–

5. 각 대학 연구 성향에 대한 요약

–

서울대학교

• 광범위한 연구 스펙트럼: 다양한 첨단 정보통신 및 컴퓨팅 주제들을 아우르는 연구는 융합 연구의 가능성을 높이고, 예측 불가능한 미래 기술 수요에 유연하게 대응할 수 있는 역량을 제공합니다.
• 기초 및 응용 연구의 조화: 학문적 깊이와 실용성을 동시에 추구합니다.
• 인재 양성의 다양성: 여러 분야의 전문가를 양성하여 사회 전반의 요구에 부응할 수 있습니다.
• 자원 분산 가능성: 다양한 분야들에 자원을 분산하면 특정 분야에서 독보적인 경쟁력을 확보하기 어려울 수 있습니다.
• 집중도 부족: 특정 핵심 기술 분야에서의 연구 집중도가 상대적으로 낮아 보일 수 있습니다.

–

KAIST

• 선택과 집중: AI 관련 분야의 주제들에 집중하여 이 분야에서 경쟁력을 확보할 가능성이 높습니다.
• 미래 지향적 연구: 현재 가장 주목받고 있는 AI 관련 분야에 대한 집중은 해당 분야의 산업 변화에 빠르게 대응하고 혁신을 주도할 수 있게 합니다.
• 산학협력 용이성: 특정 핵심 기술에 대한 집중은 관련 기업과의 협력 및 기술 이전에 유리합니다.
• 편중된 연구: 특정 세부 주제에 집중된 비중은 해당 주제의 트렌드 변화나 기술적, 정책적 한계에 부딪쳤을 때 어려움을 겪을 수 있습니다.
• 다양성 부족: 다른 중요한 과학기술 분야에서의 연구 역량 강화가 상대적으로 소홀해질 수 있습니다.
• AI 분야에 대한 과도한 집중은 해당 분야의 기술적 한계나 패러다임 변화에 취약하게 만들 수 있습니다. 또한, AI 기술이 다른 과학기술 분야와 충분히 융합되지 못하고 독립적으로 발전할 경우 기술 생태계의 불균형을 초래할 수 있습니다. 다양한 분야와의 AI 융합 연구를 더욱 강화해야 합니다.

–

POSTECH

• 특화된 강점: 신소재, 나노광학, 바이오 의료, 해양 등 특정 세부 주제들에서 독보적인 연구 역량을 구축하여 해당 주제에서 국내외 선도적인 역할을 수행할 수 있습니다.
• 차별화된 경쟁력: 다른 대학들과는 차별화된 연구 주제를 개척하여 고유한 위치를 확립하고, 특정 산업 분야에 깊이 기여할 수 있습니다.
• 산업 연계 가능성: 소재 및 해양 분야는 국내 주력 산업과 밀접하게 연계될 가능성이 높습니다.
• AI/SW 분야의 상대적 약점: 최근 중요성이 부각되는 순수 AI, 소프트웨어 분야의 연구 비중이 다른 두 대학에 비해 상대적으로 낮아, 미래 산업의 핵심 동력이 될 디지털 전환 시대에 대응하는 데 어려움을 겪을 수 있습니다.
• 융합 연구의 한계: 특정 분야에 집중함에 따라 다양한 학제 간 융합 연구 기회가 제한될 수 있습니다.
• AI 및 소프트웨어 분야의 상대적인 약점은 미래 산업의 핵심 동력이 될 디지털 전환 시대에 뒤처질 수 있는 위험을 내포합니다. 전통적인 강점 분야에 인공지능 기술을 접목하는 적극적인 융합 연구를 추진하고, AI/SW 역량을 강화하여 약점을 보완해야 합니다.

About the Author

Inforience

Administrator

Visit Website View All Posts