Ilan Komargodski

Ilan Komargodski는 예루살렘 히브리 대학교 컴퓨터 과학 및 공학부의 암호학자이자 부교수입니다. 그의 연구는 컴퓨터 과학의 기초, 특히 암호학에 중점을 두고 있습니다. 그는 또한 Pearl Research Labs의 공동 설립자이며, 이곳에서 인공지능 계산을 위한 프라이버시 보존 증명을 포함한 공개 작업을 수행해 왔습니다.^[1]​^[2]​

교육 및 경력

Komargodski는 와이즈만 과학 연구소에서 Moni Naor의 지도 아래 박사 학위를 받았으며, Ran Raz의 지도 아래 석사 학위를 받았습니다. 이후 코넬 테크에서 Rafael Pass와 Elaine Shi의 지도를 받으며 박사후 연구원으로 근무한 뒤, 히브리 대학교에 부교수로 합류했습니다.^[1]​

히브리 대학교에서 Komargodski는 대학원생들을 지도하고 박사후 연구원 및 인턴들과 협력해 왔습니다. 그의 그룹과 관련된 인물로는 박사후 연구원 Ohad Klein과 박사 과정 학생 Yuval Gelles, 그리고 석사 과정 학생인 Youlong Ding, Shay Gadot, Reut Oelbaum 등이 있습니다. 인턴 명단에는 Cody Freitag, Ashrujit Ghoshal, Ke Wu, Wei-Kai Lin, Aayush Jain, Rex Fernando 등이 포함되어 있습니다.^[1]​

복잡도 및 암호학적 기초

Ran Raz와 함께한 초기 연구에서는 계산 공식의 하한(lower bounds)을 조사했습니다. 그들의 논문에는 2013년 컴퓨터 이론 심포지엄(STOC)에서 발표된 “Average-Case Lower Bounds for Formula Size”와 2013년 IEEE 컴퓨터 과학 기초 심포지엄(FOCS)에서 발표되어 이후 2017년 _SIAM Journal on Computing_에 게재된 “Improved Average-Case Lower Bounds for DeMorgan Formula Size” 등이 있습니다. 복잡도 및 암호학적 기초 분야의 다른 연구로는 Itay Berman, Iftach Haitner, Moni Naor와 함께한 “Hardness Preserving Reductions via Cuckoo Hashing”, 그리고 Naor 및 Eylon Yogev와 함께한 “White-Box vs. Black-Box Complexity of Search Problems: Ramsey and Graph Property Testing” 등이 있습니다.^[1]​

안전한 계산 및 오블리비어스 메모리

Komargodski 연구의 상당 부분은 안전한 계산(secure computation)과 데이터 접근 패턴을 숨기면서 데이터에 접근하는 방법인 오블리비어스 랜덤 액세스 메모리(ORAM)에 관한 것입니다. 그의 연구에는 Gilad Asharov, Wei-Kai Lin, Kartik Nayak, Enoch Peserico, Elaine Shi와 함께한 “OptORAMa: Optimal Oblivious RAM” 및 Asharov, Lin, Shi와 함께한 “Oblivious RAM with Worst-Case Logarithmic Overhead”가 포함됩니다. 전자는 2020년 EUROCRYPT에서 발표된 후 _Journal of the ACM_에 게재되었으며, 후자는 2021년 CRYPTO에서 발표된 후 _Journal of Cryptology_에 게재되었습니다.^[1]​

Pearl Research Labs

Komargodski는 자신을 Pearl Research Labs의 공동 설립자로 소개합니다. 그의 게시물들은 인공지능 추론을 검증하기 위해 영지식(zero-knowledge) 방법을 사용하는 것에 대해 논의합니다. 이러한 증명을 통해 AI 연구소는 모델 가중치나 프롬프트를 공개하지 않고도 계산이 지정된 규칙을 따랐음을 입증할 수 있습니다. 그는 영지식 머신러닝(ZKML)을 AI 파이프라인에서 과소평가된 부분으로 규정했으며, Attestable 팀의 작업을 높이 평가했습니다.^[2]​

그는 또한 Pearl Protocol의 계산 설계에 대해서도 논의했습니다. 프로젝트의 당시 접근 방식을 설명하는 게시물에서 그는 행렬 곱셈에 정수를 사용하므로 모델 양자화(quantization)가 필요하다고 언급했습니다. 그는 부동 소수점 계산을 기본적으로 지원하고 양자화 오버헤드를 제거하기 위해 설계된 차세대 유용 작업 증명(Proof of Useful Work)의 개발에 대해 설명했습니다. 또 다른 게시물에서는 전문가 혼합(Mixture-of-Experts) 워크로드의 구현을 다루며, 전문가별 행렬 곱셈과 각 전문가를 할당된 토큰에 적용하는 대안적인 방법들을 비교 분석했습니다.^[2]​