ICML이란?
International Conference on Machine Learning (ICML)은 1980년부터 이어진 세계 최정상 머신러닝 학회입니다. NeurIPS(1987)보다 7년 앞선 ML의 "원조" 학회로, 매년 1만 명 이상이 참석합니다.
ICML이 중요한 이유는 단순합니다. 여기서 발표된 논문이 2~3년 뒤 제품이 됩니다. Transformer 아키텍처의 주요 변형, GAN, 강화학습의 돌파구, 최근의 LLM 효율화 기법까지 업계를 바꾼 연구들이 ICML에서 시작됐습니다. 제출 2만 편 이상 중 채택률은 약 27%입니다. 여기 논문을 내는 것 자체가 ML 연구자로서의 인정입니다.
누가 오는가?
Google DeepMind, OpenAI, Meta FAIR, Microsoft Research, NVIDIA Research 같은 빅테크 AI 연구소가 전원 출동합니다. 여기에 MIT, Stanford, CMU, UC Berkeley 등 최정상 대학 연구실까지 모입니다. 이 사람들이 한자리에 모이는 학회는 ICML과 NeurIPS 둘뿐입니다.
반도체 엔지니어에게 ICML은 먼 이야기처럼 들릴 수 있지만, 실상은 다릅니다. 모델 효율화, 하드웨어-소프트웨어 공동 설계, On-Device AI, 양자화는 결국 "어떤 칩 위에서 돌릴 것인가"로 귀결됩니다. ICML 논문이 다음 세대 AI 칩의 데이터패스와 메모리 구조를 결정합니다.
2026년은 서울 개최입니다. 삼성전자, SK하이닉스, 현대자동차 AI 연구팀과 한국 대학이 대거 참석할 것으로 예상되며, 해외 출장 없이 글로벌 ML 커뮤니티와 직접 네트워크를 만들 수 있는 예외적인 기회입니다.
한 줄 요약: 세계 최정상 ML 학회가 서울에서 처음 열립니다. 반도체 엔지니어 입장에서는 AI가 하드웨어에 어떤 요구사항을 만드는지 직접 확인할 자리이고, 올해는 한국 기관 논문만 357편이라 "우리가 어디에 강한지"를 한눈에 볼 수 있습니다.
ICML 2026 기본 정보
| 학회명 | ICML 2026 — The 43rd International Conference on Machine Learning |
| 회차 | 43회 (1980년 시작) |
| 일정 | 2026년 7월 6일(월) ~ 11일(토), 6일간 |
| 장소 | COEX Convention & Exhibition Center, 서울 삼성동 |
| 규모 | 약 10,000~13,000명 (세계 최정상 ML 학회) |
| 주최 | International Machine Learning Society (IMLS) |
| Accepted | 공개 완료. 약 6,350편 채택, 한국 기관 논문 357편 |
| 공식 사이트 | icml.cc/Conferences/2026 |
D-13, 곧 개최: 학회는 7월 6일 시작합니다. Early Registration(5/24)과 등록 취소 마감(6/15)은 지났지만, Standard/Late 등록은 학회 기간까지 가능합니다. 현장이 어렵다면 Virtual Pass로 전체 라이브 스트리밍을 볼 수 있습니다.
ICML 2026 등록 페이지 →
ICML 2026 등록 페이지 →
6일 프로그램 구조
| 날짜 | 일정 | 내용 |
|---|---|---|
| 7/6 (월) | Expo + Tutorial Day | 기업 전시, 튜토리얼 세션 |
| 7/7 (화) | Main Conference Day 1 | 키노트, 논문 발표, 포스터 |
| 7/8 (수) | Main Conference Day 2 | 키노트, 논문 발표, 포스터 |
| 7/9 (목) | Main Conference Day 3 | 키노트, 논문 발표, 시상식 |
| 7/10 (금) | Workshop Day 1 | 30개+ 워크샵 동시 진행 |
| 7/11 (토) | Workshop Day 2 | 워크샵 계속 |
주요 일정 한눈에 보기
| 일정 | 날짜 | 상태 |
|---|---|---|
| 논문 제출 마감 | 1월 28일 | 마감 |
| 리뷰 공개 | 3월 24일 | 완료 |
| Author Notification | 4월 30일 | 완료 (Accepted 공개) |
| 워크샵 최종 확정 | 5월 15일 | 완료 |
| Financial Aid 신청 마감 | 5월 18일 | 마감 |
| Early Registration 마감 | 5월 24일 | 마감 |
| 등록 취소 마감 | 6월 15일 | 마감 |
| 학회 개최 | 7월 6~11일 | D-13 |
유명 인사 — Invited Speakers
ICML 2026 공식 Invited Talks는 6명입니다(2026.05.18 발표). ML 이론부터 경제학·생물학·AI 정책까지 분야가 넓습니다. 발표 주제·시간은 추후 공개 예정.
| 연사 | 소속 | 분야 · 주목 이유 |
|---|---|---|
| Pascale Fung | HKUST · AMI Labs · UN AI 자문 | 대화형 AI, 책임 있는 AI, 글로벌 AI 거버넌스 |
| Susan Athey | Stanford GSB | 인과추론 × ML, ML 기반 경제·정책. 여성 최초 John Bates Clark 메달 |
| Sham Kakade | Harvard · Kempner Institute | ML 이론, RL 이론, 대규모 파운데이션 모델 학습 |
| Aviv Regev | Genentech (gRED 총괄) | 계산생물학·단일세포 유전체, 신약 발굴 AI. Human Cell Atlas 공동창립 |
| Verena Rieser | Google DeepMind | 대화 시스템, RLHF, 책임 있는 생성형 AI 평가 |
| Arvind Narayanan | Princeton · CITP 디렉터 | AI 사회적 영향, ML 공정성·한계. AI Snake Oil 공저 |
반도체 엔지니어를 위한 ICML 2026 — 글로벌 프론티어
ICML 2026 accepted 약 6,600편 중, 반도체·하드웨어에 직결되는 연구를 6개 영역으로 정리했습니다. 국적 무관, 글로벌 SOTA 기준입니다. 핵심은 양방향 — 칩이 차세대 AI를 규정하고(numerics), 동시에 AI가 칩을 설계·검증합니다(EDA·verification).
먼저 알아둘 것: ICML은 fab 공정(리소그래피·계측·결함 검사) 학회가 아닙니다. 그쪽은 SPIE, IEDM, ASMC의 영역입니다. ICML에서 반도체와 만나는 지점은 설계·검증·numerics입니다.
영역별 트렌드 한눈에
| 영역 | 규모* | 2026 글로벌 방향 |
|---|---|---|
| 양자화 · 저비트 numerics | ~55편 | W4A4·MXFP4·ternary(1.58bit)·sub-1bit KV로 이동 — 2026 가속기 실리콘 포맷과 공동설계. QAT scaling law 첫 등장 |
| 하드웨어 인식 · 효율 추론 | ~146편 (최대) | KV 캐시가 중심 병목 — 압축·저랭크·entropy budget·양자화가 전부 여기로 수렴. speculative decoding·MoE serving은 시스템화 |
| Physics-informed · neural PDE | ~95편 | neural operator가 실패모드(spectral bias·고차원 PINN 발산) 보정 + 고전 numerics와 결합. 유럽 비중 큼 |
| 소재 · 디바이스 (atomistic) | ~27편 | MLIP·equivariant Hamiltonian이 DFT를 루프에서 대체. phonon·crystal tensor = 칩 열·물성 |
| EDA · 칩 설계 | ~12편 | graph 기반 RTL 표현 + 에이전트 DRC + RL 리소/플로어플랜 + neuro-symbolic 검증. CUHK 허브 |
| Neuro-symbolic · 검증 가능 | ~67편 + RLVR 대량 | RLVR(검증 가능 보상 RL)이 2026 대표 테마. neuro-symbolic 검증이 회로·컴파일러·CAD로 확산 |
* 규모는 제목 키워드 기준 근사치 — 제목에 키워드 없는 논문은 누락(특히 소재 영역은 과소집계). 학회가 서울에서 열리는 만큼 한국 357편 로스터·통계는 네트워킹 페이지에서 별도로 다룹니다.
방향 1. 반도체 → AI : 칩이 차세대 모델을 규정한다
양자화 · 저비트 numerics — 실리콘 포맷과 공동설계
가장 두꺼운 numerics 묶음. 프론티어가 INT8/INT4를 지나 W4A4·MXFP4·ternary로 내려갔고, 이제 2026 가속기에 실제 들어가는 포맷과 함께 설계됩니다.
- CAT-Q (Intel Labs, Oral) — ternary(1.58-bit) 양자화. 커스텀 저비트 MAC 어레이·인메모리 연산을 정당화하는 영역.
- LO-BCQ (NVIDIA) — W4A4(가중치·활성 모두 4비트). INT4 텐서코어가 실제 돌릴 레시피.
- MXFP4 (NVIDIA · Meta) — OCP microscaling 포맷, Blackwell급 하드웨어에 탑재.
- Scaling Law for QAT (HKU · ByteDance, Spotlight) — 비트폭 vs 모델·데이터 예산 trade의 첫 법칙.
- FPTQuant (Qualcomm AI Research · Arm) — 모바일 SoC 양산 PTQ 레시피.
왜 주목: 비트폭과 포맷(FP4·INT4·MXFP4·ternary)은 곧 칩의 곱셈기 구조와 SRAM 용량을 좌우한다. 올해 프론티어는 이게 "실리콘에 실제 들어가는 포맷"으로 못박혔다.
하드웨어 인식 추론 — KV 캐시라는 메모리 벽
가장 큰 묶음(~146편). 압축·저랭크·entropy budget·양자화가 거의 모두 KV 캐시 병목 한 점으로 수렴하고, speculative decoding·MoE serving은 알고리즘에서 시스템으로 넘어갔습니다.
- ECHO (Alibaba, Oral) — 실배치 동시성 하에서의 elastic speculative decoding 서빙.
- POET-X (MPI · CUHK · Huawei, Oral) — 학습 메모리 절감 → HBM 용량 압박 완화.
- Dynamic Hierarchical Sparse Attention (Georgia Tech · Berkeley · Google, Spotlight)
- STAR-KV (UCSD · Dnotitia, Spotlight) — soft-thresholding 저랭크 KV 압축.
왜 주목: KV 캐시 압축·양자화·budget이 한 점으로 모인다 = 다음 세대 HBM·가속기가 무엇을 지원해야 하는지를 소프트웨어가 먼저 말해주는 것.
방향 2. AI → 반도체 : 모델이 칩을 설계·검증한다
EDA · 칩 설계 — CUHK가 허브
작지만 성숙 중. "LLM이 Verilog 쓴다"를 지나 graph 기반 RTL 표현·에이전트 DRC·RL 리소그래피로 이동했습니다.
- AnalogVerifier (CUHK · ICT-CAS) — neuro-symbolic 아날로그 회로 검증. 올해 칩×뉴로심볼릭 대표작이자 symbolic-over-ML 방향의 정수.
- UniRTL (CUHK · Huawei) — code+graph 통합 RTL 표현 학습. 다운스트림 EDA용 파운데이션 임베딩.
- Rule2DRC (SNU · 삼성 SAIT) — 에이전트가 DRC 스크립트 합성 + 실행 기반 검증. 사인오프 자동화.
- LithoDreamer (Zhejiang) — physics-informed 계산 리소그래피 world model(OPC/마스크 합성).
왜 주목: DATE·DAC에서 커지는 "에이전트 칩 설계"의 원리가 ICML 레벨에 올라온다. CUHK(Bei Yu 그룹)가 단연 허브이고, 주목할 점은 NVIDIA/Synopsys/Cadence의 EDA 논문은 제목상 안 보인다는 것.
Physics-informed · 소재 — TCAD와 신소재의 원류
field solver surrogate와 DFT 대체. 칩 열·물성에 직결됩니다.
- ReViT (TU Munich, Oral) — 회전 등변(equivariant) ViT PDE solver. 물리 대칭을 구조에 내장.
- Overcoming PINN Failure Modes (Technion · Google) — 고차원 PINN 발산을 저랭크 Fourier로 보정.
- PFT: Phonon Fine-tuning (MIT Lincoln Lab · UCLA) — phonon = 칩 열전달. MLIP의 phonon 정확도.
- PES Smoothness for MLIP design (Caltech · Berkeley · LBNL) — 더 나은 원자간 퍼텐셜 모델 설계 지표.
왜 주목: 리소·TCAD·열·공정 시뮬레이션 가속의 백본. 유럽(TU Munich·EPFL·Technion)과 미국 소재 클러스터(MIT·Caltech·Berkeley/LBNL)가 강하다.
방향 3. 그 위 — 검증 가능한 에이전트
Neuro-symbolic · Verifiable — "certified correctness는 symbolic이 필수"
2026 최대 테마 중 하나인 RLVR(검증 가능 보상 RL)과 함께, neuro-symbolic 검증이 회로·컴파일러·CAD 같은 엔지니어링 산출물로 번지고 있습니다.
- AnalogVerifier (CUHK) — 아날로그 회로 검증(EDA 섹션과 동일, 양쪽 모두에 핵심).
- FormalJudge (Peking · Fudan · Mila) — symbolic checker가 에이전트 출력을 심판하는 패러다임.
- HERMES (Verifiable Math Reasoning) (CUHK · Huawei) — 형식 검증 결합 추론 파이프라인.
- Position: Certified Correctness Requires Symbolic Integration — 순수 뉴럴은 인증 불가, symbolic 통합이 필수라는 입장 논문.
왜 주목: "KG·symbolic·검증 가능 > 순수 ML"이 회로(AnalogVerifier)·컴파일러(ECCO)·CAD(SPADA)로 확산되고, Position 논문이 대놓고 "인증엔 symbolic이 필수"라고 못박는다. 오류 비용이 큰 반도체 검증에 정확히 들어맞는 방향.
꼭 봐야 할 마퀴 논문 12
영역을 가로질러, 반도체×AI 엔지니어가 실제로 가서 봐야 할 12편.
| 논문 | 소속 · 유형 |
|---|---|
| AnalogVerifier — neuro-symbolic 회로 검증 | CUHK · Poster |
| LO-BCQ — W4A4 추론 | NVIDIA · Poster |
| CAT-Q — ternary 양자화 | Intel Labs · Oral |
| ReQAT — FP4 QAT | 한양대 · Rebellions · Oral |
| Scaling Law for QAT | HKU · ByteDance · Spotlight |
| ECHO — speculative decoding 서빙 | Alibaba · Oral |
| STAR-KV — KV 캐시 압축 | UCSD · Dnotitia · Spotlight |
| UniRTL — RTL 표현 학습 | CUHK · Huawei · Poster |
| Rule2DRC — 에이전트 DRC | SNU · 삼성 · Poster |
| HERMES — 검증 가능 추론 | CUHK · Huawei · Poster |
| Position: Certified Correctness Requires Symbolic | Position · Poster |
| PFT: Phonon Fine-tuning — MLIP phonon | MIT Lincoln · UCLA · Poster |
주목할 글로벌 연구실 · 기업
- CUHK (Bei Yu의 EDA-ML 그룹) — 칩×ML 최대 허브. AnalogVerifier · UniRTL · RTL quality · HERMES. 하나만 추적한다면 여기.
- NVIDIA — LO-BCQ(W4A4) · MXFP4. 양산 저비트 포맷을 정의.
- Qualcomm AI Research + Arm — 모바일 SoC PTQ 리더(FPTQuant 등).
- Huawei Noah's Ark — 양자화·HW 학습(POET-X)·EDA(UniRTL·역리소)·검증 추론(HERMES) 전방위.
- ByteDance · Alibaba — 양자화 + 서빙 시스템의 최대 산업 presence(QAT scaling law, ECHO).
- Intel Labs — CAT-Q ternary(Oral).
- MIT · Caltech · UC Berkeley/LBNL — 소재·numerics 클러스터(MLIP·phonon·PES).
- TU Munich · EPFL · Technion — neural PDE 유럽 비중 큼.
- 한국 NPU/산업: Rebellions · Dnotitia · Samsung · SNU · LG AI · KAIST — FP4 QAT·KV 압축·DRC·소재. 정확히 같은 레인에서 빠르게 성장 — 게다가 COEX에서 직접 만날 수 있는 거리(아래 네트워킹 참고).
- Cognichip AI — 에이전트 칩 설계 상업화를 노리는 스타트업. 워치리스트.
한국 — COEX에서 만날 사람들 (네트워킹)
위 글로벌 프론티어가 본론이라면, 이 섹션은 서울 개최라서 생기는 보너스입니다. 평소 미국·유럽에서 만날 한국 연구실·기업을 COEX에서 직접 만날 수 있습니다. 한국 기관 논문은 357편 — KAIST가 120편으로 가장 많고, 서울대·연세대·고려대·POSTECH가 뒤를 잇습니다. 기업은 LG AI Research가 가장 두껍고, 삼성·NAVER·KRAFTON, 그리고 팹리스 스타트업까지 올라왔습니다.
| 기관 | 논문 수 | 주요 연구실 · 인물 (이 데이터셋 기준) |
|---|---|---|
| KAIST | 120 | Jong Chul Ye(역문제·확산), Sungsoo Ahn(분자생성), Juho Lee(베이지안), Jinwoo Shin, Eunho Yang(양자화), Chang D. Yoo(Oral 2편), Joyce Whang(KG) |
| 서울대 (SNU) | 77 | Min-hwan Oh(밴딧), Sungroh Yoon, Bohyung Han, Hyun Oh Song(Rule2DRC·EDA), Nojun Kwak(양자화) |
| 연세대 | 34 | Albert No(양자화), Kyungwoo Song, Won-Yong Shin(소재·이온전도) |
| 고려대 | 28 | Sejun Park(부동소수점 이론·Oral), Jaeha Kung(NPU·PsumQuant) |
| POSTECH | 24 | Eunhyeok Park(저비트·speculative), Won Hwa Kim, Kwang-Sung Jun |
| 삼성 | 26 | sub-1bit 양자화(NanoQuant·RaBiT) + SAIT(Rule2DRC 공동). 일부는 해외 오피스 |
| LG AI Research | 12+ | Honglak Lee, Moontae Lee. 추론 에이전트·소재 ML. 최대 기업 presence |
| NAVER · KRAFTON | 12 · 9 | NAVER(멀티모달·효율 어텐션), KRAFTON(선호학습·이론) |
반도체 청중이 주목할 포인트 — 팹리스/NPU 스타트업의 등장: Rebellions(ReQAT Oral, FP4 QAT) · FuriosaAI(LoSA, sparse attention) · Dnotitia(STAR-KV, KV 캐시 압축). 논문 수는 적지만, 한국 AI 반도체 회사가 ICML에 직접 이름을 올린다는 것 자체가 "한국 반도체 × AI"의 강한 신호로 읽힙니다.
* 인물 집계는 저자 이름 문자열 기준의 근사치(동명이인 한계 존재). 기관 편수는 공식 데이터 집계. 전체 통계·36편 표는 한국 논문 통계·인사이트에서.
한국 논문 로스터 — COEX 네트워킹 (357편 전수)
ICML이 서울에서 열리는 보너스 — 한국 기관 저자가 포함된 357편을 추려, COEX에서 만날 연구실·기업과 반도체 직결 36편을 정리했습니다. 각 논문 원문·세션 시간은 ICML 공식에서.
357
한국 논문 (전체)
9
Oral
26
Spotlight
322
Poster
36
반도체 AI 직결 (HIGH)
무엇이 읽히나 — 트렌드
357편 중 반도체 AI에 직결되는 36편을 영역별로 보면, 한국이 어디에 두꺼운지가 드러납니다.
| 영역 | 편수 | 읽히는 것 |
|---|---|---|
| 양자화 · 저비트 numerics | 15 | 한국 최대 클러스터. FP4·sub-1bit·KV 양자화 → 차세대 가속기 numerics |
| 하드웨어 인식 · NPU · KV 캐시 | 7 | 긴 컨텍스트 추론 병목. 팹리스(Furiosa·Dnotitia) 등장 |
| Physics-informed · neural PDE | 5 | TCAD surrogate의 원류. KAIST·LG 산학 |
| 소재 · 디바이스 | 4 | 결정 생성·원자 퍼텐셜 → 신소재 탐색 |
| EDA · 칩 설계 | 3 | LLM 에이전트의 DRC 합성(Rule2DRC, SNU·삼성) |
| Neuro-symbolic · KG | 2 | 검증 가능 추론. KG 표현·verifiable rewards |
세 줄 인사이트: ① 한국의 무게중심은 양자화·numerics(36 중 15) — 차세대 AI 칩 스펙을 좌우하는 영역. ② Rebellions·FuriosaAI·Dnotitia 등 팹리스/NPU 회사가 직접 논문 저자로 등장 — 알고리즘-하드웨어 공동 설계. ③ 방향이 양쪽 — 칩이 AI를 규정(numerics)하고, AI가 칩을 검증한다(EDA 에이전트).
분류 기준: HIGH = 양자화·numerics, 하드웨어 인식, NPU, EDA, physics-informed, 소재·디바이스, neuro-symbolic·KG. MED 40편(일반 에이전트·압축·MoE)·LOW 281편(일반 ML)은 통계에 포함하되 목록은 생략 — 원문은 ICML 공식에서. 기관 매칭은 저자 소속 문자열 기준(약 70개 패턴).
▶ 한국 Oral 9편9편 · 펼치기
Oral은 채택 논문 중 극소수. 한국 기관이 참여한 Oral 9편 중 ReQAT(한양대·Rebellions, FP4 QAT)와 부동소수점 신경망 표현력(고려대·세종대·GIST) 두 편이 반도체 numerics에 직결됩니다.
▶ 반도체 AI 직결 36편 큐레이션36편 · 펼치기
영역별로 묶은 36편. 각 제목은 ICML 공식 페이지로 연결됩니다.
Quantization/numerics (15)
| 제목 | 저자 · 기관 |
|---|---|
| On Minimum Depth and Width of Floating-Point Neural Networks for Representing Floating-Point Functions | Sejun Park, Yeachan Park, Geonho Hwang — Korea University, Sejong University, GIST |
| ReQAT: Achieving Full-Precision Reasoning Accuracy with 4-bit Floating-Point Quantization-Aware Training | Janghwan Lee, Sihwa Lee, Jinseok Kim, Yongjik Kim, Jieun Lim, Jinwook Oh, Jungwook Choi — Hanyang University, Rebellions, Seoul National University |
| ArcVQ-VAE: A Spherical Vector Quantization Framework with ArcCosine Additive Margin | Jaeyung Kim, YoungJoon Yoo — Chung-Ang University |
| Floating-Point Networks with Automatic Differentiation Can Represent Almost All Floating-Point Functions and Their Gradients | Sejun Park, Yeachan Park, Geonho Hwang — Korea University, Sejong University, GIST |
| GSRQ: Gain-Shape Residual Quantization for Sub-1-bit KV Cache | Soosung Kim, Minjae Park, Eui-Young Chung, Jaeyong Chung — Yonsei University |
| LFQ: Logit-aware Final-block Quantization for Boosting the Generation Quality of Low-Bit Quantized LLMs | Jung Hyun Lee, June Yong Yang, Jungwook Choi, Eunho Yang — KAIST, LG AI Research, LG (other), Hanyang University |
| Maximizing the Spectral Energy Gain in Sub-1-Bit LLMs via Latent Geometry Alignment | Banseok Lee, Youngmin Kim — Samsung |
| NanoQuant: Efficient Sub-1-bit Quantization of Large Language Models | Hyochan Chong, Dongkyu Kim, Changdong Kim, Minseop Choi — Samsung |
| On Expressive Power of Floating-Point Transformers | Sejun Park, Yeachan Park, Geonho Hwang — Korea University, Sejong University, GIST |
| Position: Significant impact of numerical precision in scientific machine learning | Youngwoo Cho, Jaekak Yoo, Soyoung Yang, Dong-Joon Yi, Seung Lee, Mun Jeong, Jaegul Choo — KAIST, Hanyang University |
| Preserve-Then-Quantize: Balancing Rank Budgets for Quantization Error Reconstruction in LLMs | Yoonjun Cho, Dongjae Jeon, Soeun Kim, Moongyu Jeon, Albert No — Yonsei University |
| PsumQuant: In-line Post-training Partial Sum Quantizer for Energy Efficient NPU Inference | Sangwoo Hwang, Yeeun Hong, Jaeha Kung — Korea University |
| QTALE: Quantization-Robust Token-Adaptive Layer Execution for LLMs | Kanghyun Noh, Jinheon Choi, Yulhwa Kim — Sungkyunkwan University |
| RaBiT: Residual Aware Binarization Training for Accurate and Efficient LLMs | Youngcheon You, Banseok Lee, Minseop Choi, Seonyoung Kim, Hyochan Chong, Changdong Kim, Youngmin Kim, Dongkyu Kim — Samsung |
| ReSpinQuant: Efficient Layer-Wise LLM Quantization via Subspace Residual Rotation Approximation | Suyoung Kim, Sunghyun Wee, Hyeonjin Kim, Kyomin Hwang, Hyunho Lee, NOJUN KWAK — Seoul National University |
Hardware-aware/NPU/KV-cache (7)
EDA/chip design (3)
| 제목 | 저자 · 기관 |
|---|---|
| RouteFinder: Towards Foundation Models for Vehicle Routing Problems | Federico Berto, Chuanbo Hua, Nayeli Gast Zepeda, André Hottung, Niels Wouda, Leon Lan, Junyoung Park, Kevin Tierney, Jinkyoo Park — KAIST |
| Rule2DRC: Benchmarking LLM Agents for DRC Script Synthesis with Execution-Guided Test Generation | Jinuk Kim, Junsoo Byun, Donghwi Hwang, Seong-Jin Park, Hyun Oh Song — Seoul National University, Samsung |
| STAR: Rethinking MoE Routing as Structure-Aware Subspace Learning | Sumin Park, Noseong Park — KAIST |
Physics-informed (5)
| 제목 | 저자 · 기관 |
|---|---|
| EqGINO: Equivariant Geometry-Informed Fourier Neural Operators for 3D Partial Differential Equations | Sungwon Kim, Juho Song, Seungmin Shin, Guimok Cho, Sangkook Kim, Chanyoung Park — KAIST, LG Electronics, LG (other) |
| Generative Neural Operators through Diffusion Last Layer | Sungwon Park, Anthony Zhou, Hongjoong Kim, Amir Barati Farimani — Korea University |
| Machine Learning Hamiltonians are Accurate Energy-Force Predictors | Seongsu Kim, Chanhui Lee, Yoonho Kim, Seongjun Yun, Honghui Kim, Nayoung Kim, Changyoung Park, Sehui Han, Sungbin Lim, Sungsoo Ahn — KAIST, Korea University, LG AI Research, LG (other) |
| Reflective Hamiltonian Monte Carlo: Mixing Analysis and Application to Sampling on Stiefel Manifold | Kwangmin Lee, Yeonhee Park, Sewon Park — Jeonnam/Chonnam National University, Sungkyunkwan University, Samsung |
| Riemannian Diffusion Models on General Manifolds via Physics-Informed Neural Networks | Gyeonghoon Ko, Juho Lee — KAIST |
Materials/device (4)
| 제목 | 저자 · 기관 |
|---|---|
| LeakGFN: Robust Molecular Generation in Generative Flow Networks via Flow Decomposition | Hwanhee Kim, Seungyeon Choi, Sanghyun Park — Yonsei University |
| Multimodal Crystal Flow: Any-to-Any Modality Generation for Unified Crystal Modeling | Kiyoung Seong, Sungsoo Ahn, Sehui Han, Changyoung Park — KAIST, LG AI Research, LG (other) |
| ProMiSE: Protein Multi-state Structure Evaluation Benchmark in Biological Contexts | Bonjae Ku, Seeun Kim, Yubeen Kim, Hahnbeom Park, Chaok Seok — Seoul National University, KIST |
| Teaching Molecular Dynamics to a Non-Autoregressive Ionic Transport Predictor | Jiyeon Kim, Byungju Lee, Won-Yong Shin — Yonsei University |
Neuro-symbolic/KG (2)
| 제목 | 저자 · 기관 |
|---|---|
| Discounted Beta-Bernoulli Reward Estimation for Sample-Efficient Reinforcement Learning with Verifiable Rewards | Haechan Kim, Soohyun Ryu, Gyouk Chu, Doohyuk Jang, Eunho Yang — KAIST, Republic of Korea (generic) |
| Generative Representation Learning on Hyper-relational Knowledge Graphs via Masked Discrete Diffusion | Jaejun Lee, Seheon Kim, Joyce Whang — KAIST |
▶ 기관별 분포 (50개 기관)펼치기
저자 1인 이상 소속 기준(한 논문이 복수 기관에 중복 집계될 수 있어 합계는 357을 초과).
| 기관 | 논문 수 |
|---|---|
| KAIST | 120 |
| Seoul National University | 77 |
| Yonsei University | 34 |
| Korea University | 28 |
| Samsung | 26 |
| POSTECH | 24 |
| UNIST | 19 |
| Sungkyunkwan University | 17 |
| LG (other) | 16 |
| Hanyang University | 15 |
| LG AI Research | 12 |
| NAVER | 12 |
| Chung-Ang University | 11 |
| KRAFTON | 9 |
| GIST | 7 |
| KIST | 7 |
| Kookmin University | 6 |
| Republic of Korea (generic) | 6 |
| Sejong University | 6 |
| Ajou University | 5 |
| Ewha Womans University | 5 |
| HUFS | 5 |
| LG Electronics | 4 |
| SeoulTech | 4 |
| Upstage | 4 |
| DGIST | 3 |
| DeepAuto | 3 |
| INEEJI | 3 |
| Pusan National University | 3 |
| FuriosaAI | 2 |
| Incheon National University | 2 |
| Inha University | 2 |
| Institute for Basic Science (IBS) | 2 |
| Chungbuk National University | 1 |
| Chungnam National University | 1 |
| Dnotitia | 1 |
| ETRI | 1 |
| Gachon University | 1 |
| Gyeongsang National University | 1 |
| Hongik University | 1 |
| Hyundai Motor | 1 |
| Jeonnam/Chonnam National University | 1 |
| KT | 1 |
| Konkuk University | 1 |
| Kwangwoon University | 1 |
| Kyung Hee University | 1 |
| Kyungpook National University | 1 |
| Rebellions | 1 |
| Sogang University | 1 |
| Soongsil University | 1 |
| Twelve Labs | 1 |
ICML vs NeurIPS — ML 양대 학회 비교
| 항목 | ICML | NeurIPS |
|---|---|---|
| 시기 | 7월 | 12월 |
| 2026 장소 | 서울 COEX | 샌디에이고 |
| 규모 | ~13,000명 | ~16,000명 |
| 성격 | 알고리즘·이론 중심 | 응용·시스템까지 폭넓게 |
| 강점 | 이론적 깊이, 최적화 | 폭넓은 응용, 산업 접점 |
| 워크샵 | 30개+ | 50개+ |
한국 개최의 의미: ICML이 아시아에서 열리는 건 드문 일입니다. 서울 개최는 한국 AI·반도체 연구자가 글로벌 ML 커뮤니티와 직접 네트워크를 만들 기회입니다. 한국 기관 논문 357편이라는 숫자가 그 두께를 보여줍니다.
등록 안내
등록 카테고리
| 카테고리 | 대상 | 비고 |
|---|---|---|
| Student | 공인 기관 정규 학생 | 학생증 확인 |
| Academic | 대학·연구기관 소속 | |
| Non-Academic | 기업 소속 (회사 비용 지원) | |
| Virtual Pass | 온라인 참석 | 라이브 스트리밍 전체 접근 |
* Early Registration(~5/24)은 마감됐습니다. 현재는 Standard/Late 요금이 적용되며, 학회 기간까지 등록 가능합니다. 구체적 등록비는 공식 등록 페이지에서 확인하세요.
등록 포함 사항
- 튜토리얼, 본회의, 워크샵 전체 접근
- Expo 전시 관람
- 포스터 세션 참석
- Virtual Pass: 전체 학회 라이브 스트리밍 (현장 참석 불가 시)
서울 COEX 참가 실용 정보
COEX 컨벤션센터
- 주소: 서울특별시 강남구 영동대로 513 (삼성동)
- 지하철: 2호선 삼성역 5·6번 출구 → 지하 연결통로 도보 5분
- 9호선: 봉은사역 7번 출구 → 도보 3분
- 인천공항에서: 리무진버스 6103번 (약 70분) 또는 지하철 환승 (약 90분)
- COEX 내 식당가, 스타필드 COEX Mall 직결
숙소
- 삼성역·봉은사역 주변 — COEX 도보권, 비즈니스 호텔 다수 (1박 10~20만원)
- 선릉역·역삼역 — 가성비 숙소 밀집, 지하철 5분 (1박 8~15만원)
- 강남역 — 다양한 가격대, 지하철 10분
- 7월 성수기 + 대규모 학회 → 조기 예약 필수 (남은 객실 빠르게 소진)
7월 서울
- 날씨: 평균 24~30°C, 장마철 (비 자주). 우산 필수
- 볼거리: 봉은사 (COEX 바로 옆), 강남 맛집, 한강공원 (도보 15분)
- 식사: COEX Mall 내 푸드코트 + 삼성역 주변 식당가 (가격 1만~2만원)
- 교통: T-money 카드 구매 추천 (지하철·버스·택시 모두 사용)
외국인 참석자를 위한 정보
- 비자: 대부분 국가 무비자 또는 K-ETA. ICML에서 초청장(Visa Letter) 발급 지원
- SIM/통신: 인천공항에서 선불 SIM 구매 가능 (5일 약 2~3만원)
- 환전: 공항 또는 명동 환전소. 대부분 카드 결제 가능
- 언어: 강남 지역은 영어 소통 비교적 원활
ICML 2026 참가 전략 — 누구에게 추천?
| 당신이... | 추천 일정 | 집중 포인트 |
|---|---|---|
| 반도체 설계 엔지니어 | 본회의 (7/7~9) | 양자화·numerics 포스터, 하드웨어 인식 추론 |
| AI 하드웨어 / NPU 연구자 | 전체 (6일) | 저비트 numerics, KV 캐시, On-Device 워크샵 |
| EDA / 설계 자동화 | 본회의 + 관련 워크샵 | Rule2DRC 등 에이전트 기반 검증 |
| AI 사업개발 / 전략 | Expo Day + 본회의 1일 | 기업 전시, 트렌드 파악, 네트워킹 |
| 현장 참석 불가 | Virtual Pass | 전체 세션 라이브 스트리밍 |
마무리
ICML 2026이 서울에서 열리는 건 한국 AI·반도체 커뮤니티에게 예외적인 기회입니다. 평소라면 미국·유럽을 왕복해야 만날 수 있는 세계 최정상 ML 연구자 1만 명이 서울에 모입니다.
반도체 엔지니어라면 특히 주목하세요. "AI가 하드웨어에 뭘 원하는가"를 가장 직접적으로 알 수 있는 학회가 ICML이고, 올해는 한국 기관 논문 357편 덕분에 "우리가 양자화·NPU·EDA에서 어디까지 와 있는가"까지 한눈에 볼 수 있습니다.
D-13: 학회는 7월 6일 시작합니다. Standard/Late 등록은 기간까지 열려 있습니다.
ICML 2026 등록하기 →
ICML 2026 등록하기 →
자주 묻는 질문
ICML 2026은 언제, 어디서 열리나요?
2026년 7월 6일(월)~11일(토), 서울 삼성동 COEX 컨벤션센터에서 6일간 개최됩니다. 7/6 튜토리얼·Expo, 7/7~9 본회의, 7/10~11 워크샵입니다.
아직 등록 가능한가요?
Early Registration(5/24)과 등록 취소 마감(6/15)은 지났지만, Standard/Late 등록은 학회 기간까지 가능합니다. 현장 참석이 어렵다면 Virtual Pass로 전체 세션 라이브 스트리밍을 시청할 수 있습니다.
한국 기관 논문은 몇 편인가요?
공식 accepted 데이터 기준 한국 기관 저자가 포함된 논문은 357편입니다(Oral 9, Spotlight 26, Poster 322). 이 중 반도체 AI 직결이 36편이며, KAIST가 120편으로 가장 많고 SNU·연세대·고려대·삼성·POSTECH 순입니다. 영역별 통계와 36편 큐레이션은 한국 논문 통계·인사이트에서 볼 수 있습니다.
ICML은 반도체 엔지니어에게도 의미가 있나요?
네. 양자화·저비트 numerics, NPU·가속기, 하드웨어 인식 추론, EDA(에이전트 기반 칩 검증), physics-informed ML(TCAD)이 직결됩니다. 단, fab 공정(리소·계측·결함)은 ICML이 아니라 SPIE·IEDM·ASMC의 영역입니다.
ICML과 NeurIPS의 차이는?
ICML(7월)과 NeurIPS(12월)는 ML 분야 양대 학회입니다. ICML은 알고리즘·이론 중심이 강하고, NeurIPS는 응용·시스템까지 더 넓게 포괄합니다. 둘 다 Tier 1이며, 규모는 각각 1만 명 이상입니다.
현장에 못 가면?
Virtual Pass로 전체 학회 라이브 스트리밍 시청이 가능합니다. 2026년부터는 논문 발표도 Virtual Registration으로 진행할 수 있습니다.