서울대학교 언어심리연구실은 어떤 연구를 하나요?
서울대학교 언어심리연구실은 안구 운동 분석을 통한 글 읽기 과정 연구, 대형 언어 모델(LLM) 아키텍처 탐구, 한국어 의미망 구축 등을 주요 과제로 삼고 있는 연구 그룹입니다. 석사과정생 2명과 박사과정생 1명으로 구성된 소규모 연구실이지만 인지과학과 언어학, 딥러닝이 교차하는 영역에서 다양한 연구를 진행하고 있습니다.
첫 번째는 한국어 의미망 구축입니다. LLM(대형 언어 모델)은 방대한 텍스트를 학습하는 과정에서 단어들 사이의 관계를 수치로 계산합니다. 연구실은 이 계산 방식을 분석해, 한국어 단어들이 서로 어떤 의미적 관계를 맺고 있는지를 체계적으로 정리한 지도, 즉 의미망을 구축하는 연구를 진행하고 있습니다.
두 번째는 해석 가능한 신경망 모델 설계입니다. 기존 AI 모델은 왜 그런 결과를 냈는지 사람이 이해하기 어렵다는 한계가 있습니다. 연구실은 이 문제를 해결하기 위해 물리학의 동역학 원리를 빌려 모델의 내부 구조 자체를 새롭게 설계하는 시도를 하고 있습니다.
두 연구 모두 아키텍처를 설계하고 즉각 학습·평가하는 반복 사이클이 핵심인 만큼, GPU 컴퓨팅 환경의 속도와 안정성이 연구 진척 속도와 직결됩니다.
연구원이 직접 서버를 관리할 때 생기는 문제
엘리스클라우드 도입 이전, 연구실은 자체 서버를 주된 연구 환경으로 운영하고 있었습니다. 필요에 따라 국가 지원 사업을 신청해 외부 컴퓨팅 자원을 보완적으로 활용하기도 했지만, 상시 사용이 가능한 환경은 아니었기에 연구의 중심은 자체 서버에 놓여 있었습니다.
전담 서버 관리자 없이 연구원들이 직접 인프라 운영과 장애 대응을 맡아야 하는 구조에서 가장 큰 문제는 예기치 못한 상황이 발생했을 때였습니다. 서울대학교 건물 리모델링으로 연구실 이전이 불가피해지면서 서버 설정이 변경되는 상황이 발생했고, 문제 해결에 상당한 시간이 소요되면서 일정 기간 연구가 실질적으로 중단되기도 했습니다.
딥러닝 실험 속도 측면의 제약도 있었습니다. 자체 서버의 GPU는 최신 딥러닝 연구에서 요구하는 연산 성능과는 격차가 있었습니다. 아키텍처를 수정하고 결과를 확인하는 실험 사이클이 하루 1회 수준에 그쳤고, 다음 수정 작업은 다음 날에야 시작할 수 있었습니다.
연구실이 GPU 클라우드를 선택할 때 고려해야 할 것
서울대학교 언어심리연구실은 자체 서버의 대안을 모색하는 과정에서 여러 외부 클라우드 서비스를 검토했습니다. 연구실 환경 특성상 고려해야 할 기준은 크게 두 가지였습니다. 연구 예산에 맞는 가격 구조, 그리고 별도 학습 없이 바로 쓸 수 있는 사용 편의성입니다.
연구실은 인프라에 투입할 수 있는 예산이 제한적입니다. 비용 구조를 비교했을 때 엘리스클라우드는 연구 예산에 적합한 수준이었고, 사용한 만큼만 과금되는 온디맨드 방식과 필요에 따라 GPU 자원을 자유롭게 생성하고 삭제할 수 있는 구조 덕분에 실험이 없는 기간에는 불필요한 비용을 줄일 수 있었습니다.
사용 편의성 측면에서도 인터페이스와 사용 방법이 간단해 별도의 설정이나 학습 없이 곧바로 연구에 투입할 수 있다는 점이 자체 서버를 대체할 환경을 빠르게 확보해야 하는 상황에서 실질적인 결정 요인이 되었습니다. 연구실이 필요로 한 것은 인프라를 관리하는 환경이 아니라, 딥러닝 실험에 집중할 수 있는 환경이었습니다.
엘리스클라우드로 딥러닝 실험 환경 구성하기
현재 연구실은 엘리스클라우드를 주로 모델 학습과 평가 단계에서 활용하고 있습니다. GPU 환경은 A100 위주로 구성되어 있습니다. 향후 학습 데이터 규모가 확대되거나 대용량 텍스트 데이터 전반을 대상으로 한 평가가 필요해지면 H100 활용도 검토할 계획입니다.
연구 방식의 특성상 모델 구조를 새롭게 설계한 뒤 제대로 작동하는지를 실시간으로 확인하며 구조를 수정하는 과정이 반복됩니다. 클라우드 서버를 자유롭게 생성하고 삭제할 수 있어 실험 환경 구성에 드는 시간도 기존 대비 크게 줄었습니다.
GPU 클라우드 전환 후 달라진 딥러닝 실험 속도
엘리스클라우드 도입 이후 연구실에서 가장 크게 체감한 변화는 딥러닝 실험 속도입니다.
기존 자체 서버 환경에서는 아키텍처를 설계하고 코드를 실행하면 결과 확인과 수정 작업은 다음 날에야 가능했습니다. 엘리스클라우드로 전환한 뒤에는 당일 아키텍처 수정을 2~3회까지 진행할 수 있을 정도로 실험 사이클이 단축되었습니다.
실험 횟수가 늘어난다는 것은 같은 기간 안에 더 많은 설계 방향을 시도해볼 수 있다는 의미입니다. 단순히 연구 시간이 절약되는 것을 넘어, 더 다양한 가설을 검증할 수 있게 되어 연구의 폭과 질 모두에 실질적인 영향을 주었습니다.
엘리스클라우드 활용 연구 성과 — 안구 운동 양자 인지모델 논문 발표
엘리스클라우드를 활용한 대표적인 연구 성과로는 2025년 8월 발표된 논문 "Quantum Walk Dynamics in Modeling Eye Fixation Duration Distributions"(이하 '논문')이 있습니다.
사람이 글을 읽을 때 눈은 한 곳에 고정되었다가 다음 단어로 이동하는 동작을 반복합니다. 이때 눈이 한 곳에 머무는 시간, 즉 '시선 고정 시간'은 독자가 해당 단어를 얼마나 어렵게 처리하는지를 반영하는 지표로 알려져 있습니다. 기존 연구들은 이 시선 고정 시간의 분포를 고전적인 통계 모형으로 설명해왔습니다.
이 연구는 물리학에서 입자의 이동 경로를 설명하는 데 쓰이는 양자 역학 기반의 양자 보행(Quantum Walk) 모델을 인지 연구에 적용해, 시선 고정 시간의 패턴을 보다 정밀하게 설명할 수 있는지를 탐색했습니다. 모델이 실제 안구 운동 데이터에 얼마나 잘 들어맞는지 반복적으로 검증하는 과정에서 상당한 계산량이 수반되었으며, 엘리스클라우드를 활용해 이를 안정적으로 수행함으로써 결과의 재현성과 신뢰성을 확보할 수 있었습니다.
▲ 양자 보행 모델로 생성한 시선 고정 시간 분포(출처: 논문)
멀티모달·대규모 연구로 확장, 다음 단계를 위한 GPU 인프라 준비
현재 연구실은 A100 환경에서 모델의 기본 구조를 검증하는 단계에 있습니다. 앞으로는 언어 데이터뿐 아니라 시각 데이터 등 여러 종류의 데이터를 함께 다루는 멀티모달 연구로 확장할 계획이며, 이에 따라 더 큰 규모의 컴퓨팅 자원이 필요해질 것으로 예상하고 있습니다.
연구원이 직접 서버를 관리하는 대신 GPU 클라우드를 활용하면 연구 규모의 변화에 따라 자원을 유연하게 조정할 수 있고 인프라 운영에 들어가는 시간을 연구에 온전히 집중하는 데 쓸 수 있습니다. 엘리스클라우드는 앞으로도 대학 연구실을 포함한 AI 연구 조직이 인프라 운영 부담 없이 연구에 집중할 수 있도록 합리적인 비용 구조와 안정적인 GPU 클라우드 환경을 제공할 예정입니다.
