정재용 교수 연구팀은 인공지능·기계학습 분야 최고 권위 학술대회인 ICML 2026에서 두 편의 연구 성과를 발표한다. 첫 번째 연구에서는 Long-context LLM 추론의 핵심 병목인 KV cache를 sub-1-bit 수준까지 압축하는 기법 GSRQ를 제안하였다. 본 연구는 기존 K-means가 매우 고차원 데이터를 다룰 때 구조적인 문제를 일으킨 다라는 발견에서 출발하였고,  이 문제점을 해결하는 Gain-Shape K-means를 먼저 제안하였다. 그리고 이에 기반한 벡터 양자화 기법인 GSRQ를 개발하고, 이를 최신 대규모 언어모델의 KVCache 압축에 적용한 결과, 기존 기법 대비 큰 폭의 성능 향상이 확인됐다.  해당 연구는 “GSRQ: Gain–Shape Residual Quantization for Sub-1-bit KV Cache”란 제목으로 게재 승인을 받았으며, 정재용 교수(교신 저자)의 지도 아래 공동 1저자인 김수성 (석박사통합과정 3학기), 박민재 학생(석사과정 3학기)이 주도하였다.

  두 번째 연구에서는 모델이 게이트 단위 회로로 매핑되어 초저지연 추론이 가능한 Differentiable Logic Gate Network(DLGN)를 목표 하드웨어의 자원 예산에 맞춰 사후적으로 단순화·배포할 수 있는 기법 ‘Unit Tying’을 제안하였다. 이를 통해 기존 DLGN이 FPGA 등 자원 제약 하드웨어에서 회로 자원 초과로 겪었던 배포 단계의 어려움을 크게 완화할 수 있음을 보였다. 해당 연구는 “Two-Stage Unit Tying for Simplifying Differentiable Logic Gate Networks”란 제목으로 게재 승인을 받았으며, 정재용 교수(교신 저자)의 지도 아래 공동 1저자인 이승헌(석박사통합과정 2학기), 선정민 학생(석사과정 2학기)이 주도하였다.