1. Community
  2. arrow_forward_ios

News

Tags
Search
all

2020년 국제 대학생 프로그래밍 경진대회 금메달 수상

2020년 국제 대학생 프로그래밍 경진대회 금메달 수상 - 140개 팀 중 2위... 4년 연속 메달 행진 이어가 미국컴퓨터협회(ACM)가 주최하는 세계 최대 프로그래밍 대회인 ‘국제 대학생 프로그래밍 경진대회(ICPC)’에서 서울대학교가 금메달을 수상했다. 2020년 코로나19 확산으로 한 차례 연기하여, 2021년 10월 5일 러시아 모스크바에서 개최된 본선 대회에서 서울대학교 팀이 140개 팀 중 2위의 성적을 거두며 금메달을 수상하였다. 서울대학교 팀(시제연, 조승현, 박상수, 코치 염헌영 교수)은 15개 문제 중 11문제를 해결하여 아쉽게도 1문제 차이로 월드챔피언에는 오르지 못했으나, 역대 한국대표팀 성적 중 가장 좋은 성적을 거두었다. 서울대학교는 2017년 대회 금메달, 2018년 대회 은메달, 2019년 대회 은메달을 수상한 데 이어, 올해 대회에서 금메달을 얻으며 4년 연속으로 메달을 수상하게 됐다. ICPC는 1977년 ACM(미국컴퓨터협회) 컴퓨터 과학 컨퍼런스에서 처음 개최되어, 매년 전 세계 대학생들이 참가하는 가장 권위있는 컴퓨터 프로그래밍 경시대회이다. 이번 대회를 위한 지역대회에는 115개국 3,514개 대학에서 6만 명의 대학생이 참가했으며, 그 중 최상위 성적으로 지역대회를 통과한 140개팀 420명의 대학생이 '월드 파이널'로 불리는 본선에서 경쟁을 벌였다....
포스트 대표 이미지

전병곤 교수 연구진, 파이썬 딥러닝 프로그램을 정확하고 빠르게 수행하는 시스템 개발

<a href='https://spl.snu.ac.kr/' target='전병곤 교수 연구진'>전병곤 교수 연구진</a>이 <a href='https://friendli.ai/' target='FriendliAI'>프렌들리에이아이(FriendliAI)</a>와 공동으로 모든 딥러닝 프로그램을 수정할 필요 없이 더 빠르게 수행할 수 있는 시스템 Terra를 개발하였다. 그 결과 심볼릭 그래프 처리와 명령형 처리가 동시에 수행되어 훨씬 처리 속도가 빠르게 되었다. 이번 연구는 기존에 없던 새로운 딥러닝 프로그램의 수행 모델을 제시한 것으로, 향후 딥러닝 프레임워크 기술에 새로운 방향을 제시한 것이다. 현재 널리 쓰이는 딥러닝 프레임워크인 파이토치(PyTorch)와 텐서플로우(TensorFlow)는 모두 보통의 파이썬 프로그램처럼 딥러닝 프로그램을 작성한다. 작성된 딥러닝 프로그램은 일반적인 파이썬 프로그램과 마찬가지로, 파이썬 인터프리터가 처리하여 인공지능 연산을 수행한다. 하지만 파이썬 인터프리터를 이용한 수행 방식은 전체적인 딥러닝 연산을 한 번에 표현하는 심볼릭 그래프가 없어서 전체 최적화 시도를 해 볼 수 없기에 학습 속도가 느리다는 단점이 있다. 이를 해결하기 위해 Just-In-Time (JIT) 컴파일 기법을 통해서 주어진 파이썬 딥러닝 프로그램을 심볼릭 그래프로 변환하고, 별도의 심볼릭 그래프 수행 엔진으로 프로그램을 수행하는 다양한 방법들이 제안되었다. 하지만 JIT 컴파일을 이용한 방법 역시 사용자가 코드 수정 해야하거나, 프로그램 수행 정확성이 보장되지 않거나, 파이썬 언어를 제한적으로 지원한다는 한계가 있다. 이에 <a href='https://spl.snu.ac.kr/' target='전병곤 교수 연구진'>전병곤 교수 연구진</a>과 <a href='https://friendli.ai/' target='FriendliAI'>프렌들리에이아이(FriendliAI)</a>는 완전히 새로운 파이썬 딥러닝 프로그램 수행방식을 제안하였다. 기존의 방법처럼 주어진 파이썬 프로그램 전체를 심볼릭 그래프로 변환하는 대신, Terra는 프로그램에서 실제 딥러닝 연산만 수집하여 이에만 대응하는 심볼릭 그래프를 생성한다. 그 후 Terra는 생성된 심볼릭 그래프와 주어진 파이썬 프로그램에서 딥러닝 연산이 아닌 부분들을 동시에 수행하여, JIT 컴파일 방식으로는 수행이 불가능했던 파이썬 프로그램들을 지원한다. Terra의 동시 수행 엔진은 사용자가 작성한 파이썬 딥러닝 프로그램의 수정을 필요로 하지 않으면서 프로그램 수행의 정확성을 보장하고, 파이썬 언어의 모든 문법을 그대로 사용할 수 있도록 한 세계 최초의 방법이다. Terra는 텐서플로우 기본 명령형 수행방식 대비 최대 1.73배 빠른 딥러닝 학습 속도를 제공하고, 기존 텐서플로우에서 사용하는 최신 JIT 컴파일 기반의 오토그래프(AutoGraph)가 수행하지 못하는 프로그램들까지도 더 빠르게 수행할 수 있다. <img src='https://cse.snu.ac.kr/sites/default/files/node--notice/20211020_bgchun2.png'> 이번 연구 결과는 <a href='https://nips.cc/' target='NeurIPS 2021'>NeurIPS(Neural Information Processing Systems) 2021</a>에서 발표될 예정이다. “Terra: Imperative-Symbolic Co-Execution of Imperative Deep Learning Programs”, Taebum Kim, Eunji Jeong, Geon-Woo Kim, Yunmo Koo, Sehoon Kim, Gyeong-In Yu, Byung-Gon Chun. <a href='https://spl.snu.ac.kr/' target='전병곤 교수'>전병곤 교수</a>는 꾸준히 세계를 선도하는 최고 AI 플랫폼 기술을 발표해서 기쁘고 영광이라면서, 최근에는 초거대 AI 연구 개발에 집중하고 있다고 말했다. 특히 전 교수가 설립한 프렌들리에이아이(FriendliAI)는 누구나 초거대 AI 모델을 쉽게 개발해서 사용할 수 있도록, 초거대 AI모델 개발 플랫폼을 만들고 있다고 전했다....
포스트 대표 이미지

Google PhD Fellowship Program 수상자로 선정

김재겸 학생(지도교수 김건희)과 이예진 학생(지도교수 이재욱)이 2021 Google PhD Fellowship Program에서 각각 Machine Learning과 Systems and Networking 분야의 수상자로 선정되었습니다. 시각 및 학습 연구실의 김재겸 학생은 강화학습 분야에서 강건성을 높이는 방법론 및 비지도적 학습 등에 대해 연구하고 있으며, 이를 위해 정보 병목, 상호 정보 최대화를 비롯한 정보 이론적 접근 및 분석, 새로운 환경에서의 스킬 발견 방법론 등을 다루고 있습니다. 아키텍처 및 코드 최적화 연구실의 이예진 학생은 추천 시스템, 자연어 처리 등 중요한 어플리케이션에서 쓰이는 머신러닝 알고리즘들의 병목을 분석하고, 이를 SW 최적화 혹은 SW/HW co-design을 통해 가속하여 성능과 에너지 효율을 높이는 연구를 하고 있습니다. 2009년부터 시작한 Google PhD Fellowship Program은 여러 컴퓨터 관련 분야(Algorithms, Optimizations and Markets, Computational Neuroscience, Human Computer Interaction, Machine Learning, Machine Perception, Speech Technology and Computer Vision, Mobile Computing, Natural Language Processing, Privacy and Security, Programming Technology and Software Engineering, Quantum Computing, Structured Data and Database Management, Systems and Networking)에서 우수한 연구를 하고 있는 대학원생을 선정해 장학금, 연구 멘토링 그리고 구글 인턴쉽 기회를 제공하여 미래 기술을 개발하고 영향력을 끼칠 수 있는 연구를 할 수 있도록 지원하는 프로그램입니다. [관련 홈페이지] - 김재겸 박사수료생 프로필: https://jaekyeom.github.io/ - 이예진 박사수료생 프로필: https://yjyjlee.github.io/ - 기사 원문: Research at Google...
포스트 대표 이미지

2021년 8월 우수학위논문상 수상자 안내

서울대학교 컴퓨터공학부에서는 매 학기 졸업생을 대상으로 우수학위논문상을 수여합니다. 석박사 과정 졸업논문의 경우 논문 심사 위원들이, 학부 졸업 논문의 경우 지도교수가 뛰어난 논문을 선별하여 우수학위논문상 후보로 추천하고, 논문상 심사위원회에서 엄격한 심사를 거쳐 수상자를 선정하고 있습니다. 2021년 가을학기에는 박사 논문상 수상자 2명, 석사 논문상 수상자 1명, 학사 논문상 수상자 1명을 최종 선발하였습니다. o 박사 논문상 수상자: 이준영 (지도교수: 허충길) 제목: A Validated Semantics for LLVM IR 이준영 학생은 LLVM 컴파일러의 중간 언어의 의미론에 존재하는 문제점을 발견하고 이것이 프로그램을 잘못 컴파일하게 만드는 버그의 원인이 된다는 것을 밝혔습니다. 이를 해결하기 위해 중간 언어의 새 의미를 엄밀하게 정의하고 이에 기반한 최적화 자동 검증기를 개발하였습니다. 새 의미는 현재 공식 LLVM 컴파일러에 의해 채택되어가는 중입니다. 관련 연구 결과는 PLDI와 CAV를 포함한 다수의 학술 대회에 발표되었습니다. o 박사 논문상 수상자: 김태욱 (지도교수: 이상구) 제목: Learning and Analysis of Neural Sentence Representations Using Syntax 김태욱 학생은 언어학의 세부 분야인 구문론(syntax)을 활용하여 보다 효과적인 신경망 기반 문장 표현 학습 방법 및 분석 기법을 개발하는 연구를 수행하였습니다. 해당 연구의 세부 내용은 그 우수성을 인정받아 자연어처리 및 기계학습 분야의 최우수학술대회인 AAAI, ACL, ICLR 등에서 발표되었습니다. o 석사 논문상 수상자: 신안재 (지도교수: 전병곤) 제목: TreeML: Taming Hyper-parameter Optimization of Deep Learning with Stage Trees 신안재 학생은 딥러닝 모델의 하이퍼파라미터 최적화 시스템을 연구하여, 최대 6배 정도 자원을 적게 사용하여 같은 성능을 내는 시스템을 개발하여, 국제 우수 학회에 논문을 제출하였습니다. o 학사 논문상 수상자: 권우석 (지도교수: 전병곤) 제목: Nimble: Lightweight and Parallel GPU Task Scheduling for Deep Learning 권우석 학생은 딥러닝 프레임워크의 GPU 추론 및 학습 속도를 향상시키기 위한 소프트웨어 기법을 연구하였습니다. 경량화된 실행 환경과 자동화된 병렬 수행 알고리즘으로 딥러닝 프레임워크의 GPU 가동률을 크게 향상시켰고, 이 결과를 인공지능 분야 최우수 학회인 NeurIPS에 발표하였습니다....
포스트 대표 이미지
포스트 대표 이미지

전병곤 교수 연구진, 머신러닝 파이프라인을 인공신경망으로 변환하는 기술 개발

전병곤 교수 연구진이 마이크로소프트와 공동으로 전통적 머신러닝 파이프라인을 신경망(neural network)으로 변환해 최적화하는 프레임워크인 WindTunnel을 개발하였다. 이번 성과는 전통적 머신러닝 기법과 최신 딥러닝 기법의 장점을 모두 취하는 핵심 기술로, 클릭률 예측, 추천 시스템 등 다양한 실제 인공지능 응용에 활용될 것으로 예상된다. 딥러닝 기법이 컴퓨터 비전이나 자연어 처리 등 분야에서 효과적인 것으로 나타나 많은 각광을 받고 있지만, 클릭률 예측이나 추천 시스템 등의 인공지능 응용에서 사용되는 표 형식 데이터(tabular data)에 대해선 여전히 선형 모델(linear model)이나 GBDT(gradient boosting decision trees)와 같은 전통적 머신러닝 기법이 더 나은 성능을 보이는 경우가 많다. 전통적 머신러닝 기법을 사용할 때는 보통 다수의 머신러닝 모델 및 데이터 변환 연산을 엮어서 하나의 머신러닝 파이프라인을 구성하고, 학습 시에는 파이프라인을 구성하는 각 요소를 개별적으로 학습한 후 사용하게 된다. 전병곤 교수 연구진은 파이프라인의 각 구성 요소를 개별적으로 학습한 후 이를 인공신경망으로 변환하여, 변환된 여러 구성 요소를 역전파(backpropagation)을 이용해 한번에 최적화하는 기술을 개발하였다. 특히 GBDT나 범주형 데이터 인코더(categorical feature encoder)와 같이 일반적으로 미분 불가능한 구성 요소를 신경망으로 변환하고 최적화하는 방법을 제안하였다. 이 기술을 이용해 개발된 WindTunnel 프레임워크는 기존 방법 대비 더 높은 예측 성능을 달성할 뿐 아니라, 표 형식 데이터에 대해 전통적인 머신러닝과 딥러닝 기법 사이의 절충안을 찾는 다양한 향후 연구로 이어질 수 있을 것이란 평가를 받았다. https://cse.snu.ac.kr/sites/default/files/node--notice/20210803_bgchun2.png 이번 연구 결과는 VLDB(International Conference on Very Large Data Bases) 2022에서 발표될 예정이다. "WindTunnel: Towards Differentiable ML Pipelines Beyond a Single Model", Gyeong-In Yu, Saeed Amizadeh, Sehoon Kim, Artidoro Pagnoni, Ce Zhang, Byung-Gon Chun, Markus Weimer, and Matteo Interlandi....
포스트 대표 이미지
포스트 대표 이미지

허충길 교수 연구진, PLDI 2021 최우수 논문상 수상

허충길 교수와 이준영 박사과정생이 마이크로소프트연구소 및 유타대학교와 공동으로 개발한 LLVM 컴파일러 최적화 자동 검증 프레임워크 Alive2가 프로그래밍 언어 분야 최우수 학술대회인 PLDI 2021 (The 42th ACM SIGPLAN International Conference on Programming Language Design and Implementation)에서 최우수 논문상 (Distinguished Paper Award)을 수상하였다. 올해 6월 온라인으로 개최되는 PLDI 2021에는 총 87편의 논문이 채택되었으며, 최우수 논문상은 그 중 8편의 논문에 수여되었다. Alive2 프레임워크는 컴파일러 실행 중 생성된 최적화 전후 프로그램들의 실행의미 및 이들의 동등함을 수식으로 표현한 후, 마이크로소프트의 자동수식검증기(SMT solver)인 Z3를 사용해 최적화의 올바름을 보이거나, 그렇지 않으면 오류를 찾아낸다. 이때 핵심기술은 프로그램의 복잡한 실행의미를 SMT solver가 쉽게 풀 수 있는 형태로 효율적으로 표현하는 것이다. SMT solver는 수학적으로 엄밀하게 수식의 참/거짓을 체크하기 때문에, Alive2는 오탐(False Alarm)이 거의 없고 테스팅으로는 찾을 수 없는 오류들을 찾아낼 수 있다. Alive2는 지금까지 테스팅으로서는 발견할 수 없었던 수십개의 컴파일러 버그를 발견하였으며, 기존에 발견되지 않았던 LLVM 중간 언어 명세의 문제 또한 새로 발견하였다. 논문 리뷰 과정에서는 해당 기여의 중요성을 인정받아 네 명의 심사위원 전원으로부터 최고 점수인 Strong Accept 평가를 받았다. Alive2의 온라인 서비스(https://alive2.llvm.org) 는 현재 LLVM 커뮤니티의 코드 리뷰 단계에서 개발자들에 의해 활발하게 사용되고 있다. "Alive2: Bounded Translation Validation for LLVM.", Nuno P. Lopes, Juneyoung Lee, Chung-Kil Hur, Zhengyang Liu, John Regehr....
포스트 대표 이미지

강유 교수 연구진, 실세계 데이터를 분석 및 예측하는 AI 기술들로 세계 선도

강유 교수 연구진이 실세계 데이터 분석 및 예측을 정확하고 효과적으로 수행하는 기법들을 개발하였다. 해당 기법들은 시간적 특성을 갖는 데이터에 맞게 설계되었으며, 각 데이터의 성격 및 특성에 따라 최적화되었다. 연구진의 이번 성과는 시계열 데이터, 텐서 데이터, 주가 데이터, 지식 그래프 등 다양한 데이터에 대한 분석 및 예측에 범용적으로 쓰이는 핵심 기술로, 앞으로 다양한 AI 응용에 활용될 것으로 예상된다. 데이터 분석에 널리 쓰이는 푸리에 변환(Fourier Transform)의 일부 계수를 신속.정확히 구하는 기술인 PFT(Partial Fourier Transform) 개발 “Fast and Accurate Partial Fourier Transform for Time Series Data.”, Yong-chan Park, Jun-Gi Jang, and U Kang. 고차원 텐서 데이터의 특정 시간대 패턴을 터커 분해(Tucker decomposition)를 통해 효율적으로 구하는 기술인 Zoom-Tucker(Zoomable Tucker decomposition) 개발 “Fast and Memory-Efficient Tucker decomposition for Answering Diverse Time Range Queries”, Jun-Gi Jang and U Kang. 주식 종목간 상관관계를 학습함으로써 주가 움직임을 정확히 예측하는 모델인 DTML(Data-Axis Transformer with Multi-Level Contexts) 개발 “Accurate Multivariate Stock Movement Prediction via Data-Axis Transformer with Multi-Level Contexts.”, Jaemin Yoo, Yejun Soun, Yong-chan Park, and U Kang. 지식 그래프에서 시간 정보를 고려한 그래프 뉴럴 네트워크를 학습함으로써 지식 그래프 추론을 정확하게 수행하는 모델인 T-GAP(Temporal GNN with Attention Propagation) 개발 “Learning to Walk across Time for Interpretable Temporal Knowledge Graph Completion.”, Jaehun Jung, Jinhong Jung, and U Kang. 위 논문 4편은 오는 8월 빅데이터 및 인공지능 분야 최우수 학회인 The 27th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2021)에 발표될 예정인데, 한 연구실에서 KDD에 4편을 발표하는 것은 매우 이례적인 성과이다....
포스트 대표 이미지

김선 교수, 2021년도 '훌륭한 공대교수상' 학술상 수상

김선 교수가 생물정보학 및 인공지능 분야 인재 육성 및 학술 발전에 기여한 공로를 인정받아 2021년 '훌륭한 공대교수상' 학술상 수상자로 선정되었다. 김선 교수는 2011년 서울대 교수로 부임해 석사 14명, 박사 및 박사 후 연구원 13명을 배출했으며 부임 이후 현재까지 서울대학교 생물정보연구소 소장을 역임하며 학술적, 교육적 측면에서 세계 최고 수준의 결과를 나타내고 있다. 또한 다수의 국책연구과제를 수행하면서 국내외 저명 학술지에 92편의 학술 논문을 발표했고 현재까지의 연구성과 SCI 논문 Impact Factor 합은 337.218이다. 2021년에는 사단법인 세계언론협회 주최 KOREA AWARDS ‘과학공로大賞'에 선정되는 등 다수의 기관에서 수상하였다. 2017년에는 한국정보과학회 인공지능 소사이어티 학회 회장을 역임하면서 국내 최초로 인공지능 관련 학술대회(THE AI KOREA)를 기획∙개최하여 국내를 대표하는 인공지능 분야 학술 행사로 발전시킨 바 있다. GIW 2017, APBC 2020, IEEE BIBM 2020 등 국제 학술대회를 국내 유치하며 국내 생물정보학 분야 연구를 세계 수준으로 향상시키는데 공헌했다. 훌륭한 공대교수상은 공과대학 교수들의 연구 활동을 진작하고 산업 기술의 선진화를 기하기 위하여 1992년 7월 공대 15회 동문들이 출연한 기금으로 공대 학술상과 기술상을 제정하며 시작되었으며 2014년부터는 교육상, 학술상, 산학협력상 세 분야로 나눠 지금까지 총 71명의 교수가 수상했다. 교육상은 창의적이고 진취적으로 교육에 헌신한 교수, 학술상은 학술 업적이 탁월한 교수, 산학협력상은 산학협력 성과가 탁월해 산업 기술 발전에 지대한 공헌을 한 교수에게 수여한다....
포스트 대표 이미지