CXL(Compute Express Link) 최신 연구동향을 한 줄로 요약하면,
“단순 메모리 확장”에서 “메모리 풀링/디스어그리게이션, 소프트웨어-하드웨어 공동설계, AI·LLM용 병목 해소”로 연구 초점이 이동하고 있습니다.

최근 논문들을 기준으로 보면, 핵심 흐름은 아래 4가지입니다.

1) CXL 메모리 풀링과 디스어그리게이션

CXL을 이용해 여러 서버가 메모리를 공유하는 memory pooling 연구가 활발합니다.

• 2025년 논문 Octopus: Scalable Low-Cost CXL Memory Pooling은 비싼 CXL 스위치 없이도 저비용 풀링 토폴로지를 만들 수 있음을 제안했습니다.
• 2025년 Survey of Disaggregated Memory는 CXL을 포함한 디스어그리게이션 메모리 전반을 정리하면서, 하드웨어 확장성, 자원 배분, 전력 관리, 프로그래밍 모델이 주요 과제라고 봤습니다.
  즉, 최근에는 “CXL 메모리를 붙인다”보다 “어떻게 여러 호스트가 효율적으로 공유하게 할 것인가”가 더 중요한 주제입니다.
  출처: arXiv Octopus, Survey of Disaggregated Memory
• https://arxiv.org/abs/2501.09020
• https://arxiv.org/abs/2503.20275

2) 성능 병목: 대역폭, 지연시간, 캐시 관리

CXL Type-3 메모리는 용량 확장에는 좋지만, 대역폭과 지연시간이 여전히 병목입니다. 그래서 최근 연구는:

• 페이지 인터리빙
• NUMA 배치 최적화
• 캐시 정책 개선
• 하드웨어 기반 eviction / cache management 에 집중합니다.

예를 들면:

• Optimizing System Memory Bandwidth with Micron CXL Memory Expansion Modules...(2024)는 여러 CXL 모듈과 DDR5를 섞어 시스템 메모리 대역폭을 개선했습니다.
• ICGMM(2024)은 CXL 확장 메모리의 캐시 미스와 비효율적 eviction을 줄이기 위해 GMM 기반 캐시 정책을 제안했습니다.

출처:

• https://arxiv.org/abs/2412.12491
• https://arxiv.org/abs/2408.05614

3) AI/LLM 워크로드 최적화

가장 뜨거운 분야 중 하나가 LLM 추론/서빙입니다.
CXL 메모리는 GPU HBM을 완전히 대체하진 못하지만, KV cache, weight, context 확장에 유용합니다.

최근 방향은:

• CXL 메모리에 KV cache 오프로딩
• 압축/양자화
• near-data processing
• 투명한 bandwidth amplification

예:

• 2025년 Amplifying Effective CXL Memory Bandwidth for LLM Inference via Transparent Near-Data Processing는 CXL 디바이스 내부에서 압축/비트플레인 레이아웃을 활용해 실효 대역폭을 늘리는 NDP를 제안했습니다.
• 2025년 CXL-SpecKV는 speculative KV-cache와 FPGA를 결합해 LLM 서빙 병목을 줄이는 방향을 보여줍니다.

출처:

• https://arxiv.org/abs/2509.03377
• https://arxiv.org/abs/2512.11920

4) 트랜잭셔널/데이터센터 시스템과의 결합

CXL은 단순 메모리 확장뿐 아니라, 저지연 공유 메모리 기반의 시스템 연결망처럼 쓰이기 시작했습니다.

• 2025년 Enabling Efficient Transaction Processing on CXL-Based Memory Sharing는 OLTP용으로 CXL의 coherence 비용을 줄이는 하이브리드 coherence를 제안했습니다.

즉, 최근에는 CXL이 HPC/AI 메모리 확장뿐 아니라 데이터베이스, 트랜잭션 처리, 분산 시스템까지 들어가고 있습니다.

출처:

• https://arxiv.org/abs/2502.11046

현재 연구동향을 더 압축하면

핵심 키워드

• Memory pooling
• Disaggregated memory
• Bandwidth amplification
• Latency reduction
• Cache / eviction optimization
• NUMA-aware page placement
• LLM KV-cache offloading
• Near-data processing
• FPGA / hardware co-design
• Simulation & modeling

지금 남은 큰 과제

1. 실제 성능이 local DRAM/HBM보다 아직 느림
2. 소프트웨어 스택이 복잡함
3. 운영체제/NUMA 정책과의 정합성 문제
4. 스위치/토폴로지/장치 비용
5. 일관성(coherence)과 프로그래밍 모델의 복잡성

원하시면 다음 중 하나로 더 이어서 정리해 드릴 수 있습니다.

1. “최근 1~2년 논문만” 표로 정리
2. CXL 2.0 vs 3.0 관점에서 기술 변화 정리
3. LLM 관점 CXL 연구만 따로 요약
4. 산업 적용/제품 관점 최신 동향 정리