국내 1인 가구가 800만 세대를 넘어 전체의 36%를 차지하며 역대 최고치를 기록했다. 서울시 조사에 따르면 1인 가구의 62%가 ‘외로움’을 느끼는 등 고립감과 정신건강 문제가 심화되고 있다. 이런 가운데 KAIST 연구진이 스마트폰이나 웨어러블 기기의 한계를 넘어, 가정 내 사물인터넷(IoT) 센서 데이터를 활용해 개인의 정신건강 상태를 정밀하게 추적할 수 있는 가능성을 입증했다. 이번 연구는 개인 맞춤형 정신건강 관리 시스템 개발의 기반이 될 것으로 기대된다. KAIST는 전산학부 이의진 교수 연구팀이 청년층 1인 가구를 대상으로 IoT 기반 정신건강 추적 실증 연구를 진행한 결과를 21일 발표했다. 정신건강을 관리하기 위해선 자신의 상태를 꾸준히 파악하는 것이 중요하지만, 기존의 스마트폰이나 웨어러블 기반 추적 방식은 사용자가 기기를 착용하거나 소지하지 않는 집 안에서는 데이터가 누락되는 한계가 있었다. 이에 연구팀은 가정 내 환경 데이터에 주목했다. 청년층 1인 가구 20세대를 대상으로 4주간 실증 연구를 진행하며 가전제품과 수면 매트, 움직임 센서 등을 설치해 IoT 데이터를 수집하고, 스마트폰·웨어러블 데이터와 함께 분석했다. 그 결과 IoT
이산화탄소보다 310배 더 강한 온실효과를 지닌 아산화질소(N₂O)를 실온 수준에서 거의 100% 분해할 수 있는 기술을 국내 연구진이 개발했다. 엔진 배기가스나 화학 공정에서 발생하는 아산화질소를 에너지 효율적으로 처리할 수 있어 온실가스 저감과 탄소중립 실현에 기여할 것으로 기대된다. UNIST 에너지화학공학과 백종범 교수 연구팀은 빠르게 구르는 구슬의 기계적 충격과 마찰을 활용해 아산화질소를 분해하는 공정을 세계 최초로 개발했다고 21일 밝혔다. 아산화질소는 화학 공정과 엔진 배기가스에서 주로 발생하는 기체로, 이산화탄소보다 310배 강한 온실효과를 유발하고 오존층 파괴를 가속한다. 하지만 화학적으로 매우 안정해 기존 열촉매 공정에서는 445℃ 이상의 고온을 가해야 유의미한 분해가 가능하며, 이로 인한 에너지 소모가 매우 컸다. 연구팀은 지름 수 밀리미터의 구슬이 들어 있는 반응 용기(볼밀)에 니켈산화물(NiO) 촉매와 아산화질소 가스를 함께 넣고 흔드는 방식으로 분해를 시도했다. 구슬이 충돌하고 마찰하는 과정에서 촉매 표면에 고밀도 결함과 초산화(ultra-oxidized) 상태가 형성돼, 기존 열촉매로는 불가능했던 저온·고속 분해가 가능해졌다. 실험
서울과 멕시코시티의 하늘을 뒤덮은 미세먼지는 같은 초미세먼지(PM2.5)라도 ‘성격’이 달랐다. 서울은 햇빛을 반사해 지구를 식히는 성분이 많았고, 멕시코시티는 햇빛을 흡수해 온난화를 일으키는 성분이 상대적으로 많은 것으로 드러났다. UNIST 지구환경도시건설공학과 박상서 교수팀은 전 세계 14개 도시에서 수집한 미세먼지 화학 시료와 광학 데이터를 분석해 이런 결과를 얻었다고 20일 밝혔다. 연구에 따르면 서울의 초미세먼지는 황산염·질산염 비중이 높아 태양 빛을 강하게 산란시키는 ‘반사형’ 성격을 띠는 것으로 나타났다. 반면 멕시코시티는 그을음 성분(블랙카본)이 상대적으로 많아 빛을 강하게 흡수하는 ‘흡수형’ 특성이 두드러졌다. 즉, 같은 초미세먼지라도 서울은 햇빛을 우주로 반사해 지구를 식히는 효과가 있고, 멕시코시티는 태양 에너지를 흡수해 지구 온난화를 가속하는 효과를 낼 수 있다는 설명이다. 연구팀은 서울, 베이징, 멕시코시티 등 전 세계 14개 도시에서 채집한 시료의 화학 성분 자료(SPARTAN)와 광학 데이터 자료(AERONET)를 비교 분석하는 방식으로 이 같은 결과를 도출했다. AERONET은 햇빛이 대기를 통과하면서 얼마나 흡수되고 산란되는지
DGIST 에너지환경연구부 양기정·김대환 책임연구원 연구팀이 인천대학교 김준호 교수팀과 공동으로 ‘온도 조절’만으로 친환경 태양전지의 효율을 크게 높이는 기술을 개발했다. 연구팀은 태양전지 소재를 열로 가공하는 과정에서 온도를 빠르게 높이면 결정이 더 규칙적으로 성장하고 전류 이동이 원활해진다는 사실을 확인했다. 이번 연구에 활용된 안티모니 셀레나이드(Sb₂Se₃) 는 카드뮴(Cd)이나 납(Pb)과 같은 유해 물질을 사용하지 않으며, 지구상에 풍부하게 존재하는 안티모니(Sb)와 셀레늄(Se)만으로 구성된 친환경 차세대 태양전지 소재다. 이 물질은 빛 흡수율이 높고, 열과 화학 반응에도 강해 내구성이 뛰어나며, 저비용 대량생산이 가능하다는 장점을 지닌다. 그러나 기존의 안티모니 셀레나이드 소자는 결정이 불규칙하게 성장하면서 전자와 정공의 이동이 방해받는 문제로 인해 효율이 낮았다. 연구팀은 이러한 한계를 해결하기 위해 태양전지 제작 과정에서의 온도 상승 속도, 즉 결정이 성장하는 속도에 주목했다. 실험 결과, 온도를 빠르게 높이면 결정이 일정한 방향으로 정렬되고 결함이 줄어들어 전기 흐름이 매끄러워지며, 결과적으로 효율이 크게 향상되는 것으로 나타났다. 단순한
최근 인공지능(AI) 모델이 길고 복잡한 문장을 이해하고 처리하는 능력이 급속히 발전하면서, 연산 속도와 메모리 효율을 동시에 높일 수 있는 차세대 반도체 기술의 필요성이 커지고 있다. 이러한 가운데 KAIST가 국제 연구진과 함께 거대언어모델(LLM)의 추론 속도를 4배 높이면서 전력 소모를 2.2배 줄인 AI 반도체 핵심 기술을 세계 최초로 구현해 주목받고 있다. KAIST는 전산학부 박종세 교수 연구팀이 미국 조지아 공과대학교, 스웨덴 웁살라 대학교와의 공동연구를 통해 트랜스포머(Transformer)와 맘바(Mamba) 두뇌 구조의 장점을 결합한 차세대 AI 메모리 반도체(PIM, Processing-in-Memory) 기반 기술 ‘PIMBA’를 개발했다고 17일 밝혔다. 현재 ChatGPT, GPT-4, Claude, Gemini, Llama 등 대부분의 LLM은 입력 문장의 모든 단어를 동시에 인식·처리하는 트랜스포머 구조를 사용한다. 이 방식은 고도의 병렬 연산이 가능하다는 장점이 있지만, 모델이 커지고 문장이 길어질수록 연산량과 메모리 요구량이 폭증해 속도 저하와 에너지 비효율 문제가 발생한다. 이에 대한 대안으로 최근 제시된 ‘맘바(Mamba
DGIST 미래모빌리티연구부 권순·이진희 연구팀이 라벨이 극히 적은 환경에서도 최신 성능(State-Of-The-Art, SOTA)을 구현한 3D 준지도 학습(SSOD, Semi-Supervised Object Detection) 프레임워크 ‘MultipleTeachers’를 개발했다. 이번에 개발된 기술은 유사한 객체를 그룹화해 범주별 교사 네트워크를 구성하고, 협력적으로 의사 라벨을 생성하는 새로운 학습 전략을 도입했다. 여기에 희소한 라이다(LiDAR) 포인트 문제를 보완하는 ‘PointGen’ 모듈을 결합해 차량·보행자·이륜차 등 도심 주요 객체의 인지 정확도를 크게 높였다. 적은 데이터로도 높은 학습 효과를 이끌어내며, 안전 중심의 자율주행 인지 기술 발전에 기여할 수 있는 새로운 패러다임을 제시했다. 자율주행 기술의 고도화에는 방대한 라벨링 작업으로 인한 시간·비용 부담이 큰 걸림돌로 작용해왔다. DGIST 연구팀은 소량의 라벨 데이터와 대량의 무라벨 데이터를 결합하는 준지도·자기지도 학습을 고도화함으로써 라벨 의존도를 낮추면서도 실험 환경에서 우수한 성능을 입증했다. 또한 DGIST 창업기업 퓨처드라이브와 협력해 한국 도심 환경을 충실히 반영한
고려대학교 화공생명공학과 조진한 교수 연구팀이 복잡한 나노입자 합성 과정 없이, 간단한 은 이온 공정만으로 리튬 금속 배터리의 수명과 안정성을 크게 향상시킬 수 있는 초박막 코팅 기술을 개발했다. 이번 연구는 차세대 고에너지 배터리의 상용화를 앞당길 핵심 기술로 평가받고 있다. 리튬 금속은 높은 에너지 밀도와 낮은 전압 손실로 인해 차세대 고에너지 배터리의 핵심 소재로 주목받고 있다. 그러나 충·방전 과정에서 발생하는 덴드라이트(가지 모양의 리튬 결정)는 내부 단락과 폭발 위험을 유발해 수명과 효율을 크게 떨어뜨린다. 이에 따라 리튬이 균일하게 쌓이도록 돕는 보호막 기술이 배터리 상용화의 관건으로 꼽혀왔다. 조진한 교수 연구팀은 이러한 문제를 해결하기 위해 은 이온과 트리티오시아누르산(trithiocyanuric acid, TCA)을 번갈아 적층하는 배위결합 기반 층상자기조립(coordination bonding layer-by-layer, CB-LbL) 공정을 개발했다. 이 방법을 통해 니켈로 도금된 섬유형 전극 지지체 위에 두께 40나노미터(nm) 이하의 초박막 금속-유기 골격체(MOF)를 균일하게 형성할 수 있었다. 특히 이번 공정은 용액만을 사용하는
세포의 상태를 원하는 방향으로 조절하는 것은 신약 개발, 암 치료, 재생 의학 등 생명과학 분야의 핵심 과제지만, 적합한 약물이나 유전자 표적을 찾는 일은 쉽지 않다. 이에 KAIST 연구진은 세포와 약물 반응을 레고블록처럼 분해하고 다시 조립하는 방식으로 수학적으로 모델링해, 실제로 실험하지 않은 세포와 약물의 새로운 반응은 물론 임의의 유전자 조절 효과까지 예측할 수 있는 새로운 AI 기술을 개발했다. KAIST는 바이오및뇌공학과 조광현 교수 연구팀이 생성형 AI를 활용해 세포를 목표 상태로 유도할 수 있는 약물과 유전자 표적을 찾아내는 새로운 인공지능 기술을 개발했다고 16일 밝혔다. ‘잠재공간(latent space)’은 이미지 생성 AI가 사물이나 세포의 특징을 수학적으로 정리해 놓은 보이지 않는 ‘지도’와 같은 공간이다. 연구팀은 이 공간에서 세포의 상태와 약물의 효과를 각각 분리해내고, 이를 다시 조합해 실험하지 않은 세포-약물 조합의 반응을 예측하는 방식을 고안했다. 이 원리를 확장해, 특정 유전자를 조절했을 때 어떤 변화가 나타나는지도 예측할 수 있음을 보였다. 연구팀은 실제 데이터를 활용해 이 기술을 검증했다. 그 결과 대장암 세포를 정상
광주과학기술원(GIST)은 전기전자컴퓨터공학과 홍성민 교수 연구팀이 반도체 소자 시뮬레이션의 계산 효율을 혁신적으로 개선해, 기존 대비 최대 100배 빠른 속도로 차세대 소자의 성능을 예측할 수 있는 새로운 알고리즘을 개발했다고 밝혔다. 이번 성과는 반도체 소자 연구개발(R&D) 과정에서 가장 큰 걸림돌로 꼽히던 ‘장시간 시뮬레이션’ 문제를 근본적으로 해결했다는 점에서 의미가 크다. 반도체 소자 시뮬레이션(Semiconductor Device Simulation)은 반도체의 전기적·물리적 동작을 가상 환경에서 수치적으로 재현하고 분석하는 기술이다. 전류의 흐름, 전계 분포, 발열 특성 등 소자의 거동을 실제 제작 이전에 예측할 수 있어 성능 최적화와 설계 효율성을 높이는 핵심 도구로, TCAD(Technology Computer-Aided Design) 분야에서 폭넓게 활용된다. 차세대 반도체 소자의 성능을 사전에 예측하고 최적화하기 위해 필수적인 TCAD 시뮬레이션은 반도체 내부에서 전자와 정공의 이동, 전기장 분포 등을 물리 법칙에 따라 계산해 전기적 특성을 정밀하게 예측한다. 그러나 게이트올어라운드(GAA) 구조나 보완형 트랜지스터(CFET) 등
KAIST가 연합학습(Federated Learning)의 고질적인 성능 저하 문제를 해결하고, AI 모델의 일반화 성능을 획기적으로 향상시킨 새로운 학습 방법을 개발했다. 이번 연구는 병원·은행 같은 보안이 중요한 분야는 물론, 소셜미디어·온라인 쇼핑처럼 변화가 잦은 환경에서도 안정적인 성능을 발휘하며, 인공지능 협업의 새 가능성을 보여줬다. KAIST는 산업및시스템공학과 박찬영 교수 연구팀이 연합학습의 한계를 극복할 수 있는 새로운 학습 방식을 제시했다고 15일 밝혔다. 이번 연구는 ‘데이터 프라이버시를 지키면서도 협업 가능한 AI’를 구현한 것으로 평가받고 있다. 연합학습은 여러 기관이 데이터를 직접 공유하지 않고도 AI를 공동 학습할 수 있는 방식이다. 그러나 이렇게 만들어진 공동 AI 모델을 각 기관 환경에 맞게 최적화하는 과정에서, 특정 기관의 데이터 특성에만 과도하게 적응하는 ‘지역 과적합(Local Overfitting)’ 문제가 꾸준히 제기돼왔다. 예를 들어 여러 은행이 함께 구축한 ‘공동 대출 심사 AI’를 특정 은행이 대기업 고객 데이터를 중심으로 재학습시키면, 그 은행의 AI는 대기업 심사에는 강하지만 개인이나 스타트업 고객 심사에는 약
UNIST(울산과학기술원) 에너지화학공학과와 서울대학교 첨단융합학부, 포항공과대학교(POSTECH) 연구진이 전고체전지(All-Solid-State Battery)의 성능 저하 원인을 규명하고, 계면 안정화를 통해 폭발 위험을 줄일 수 있는 새로운 설계 전략을 제시했다. 이번 연구는 차세대 전기차와 대용량 에너지저장장치(ESS)의 핵심 기술로 꼽히는 전고체전지 상용화를 앞당길 중요한 성과로 평가된다. 전고체전지는 기존 리튬이온전지에서 사용하는 가연성 액체 전해질 대신 불연성 고체 전해질을 적용해 화재 위험이 거의 없고, 더 높은 에너지 밀도를 구현할 수 있어 ‘꿈의 배터리’로 불린다. 그러나 양극과 고체전해질이 직접 맞닿는 계면에서 화학적 분해와 구조적 손상이 일어나며 성능이 빠르게 저하되는 문제가 남아 있었다. 연구팀은 이러한 문제를 해결하기 위해 리튬 디플루오로포스페이트(LiDFP)를 활용해 양극 표면에 코팅층을 형성한 전고체전지를 제작하고, 머신러닝과 디지털 트윈(digital twin), 첨단 분석기법을 적용해 전지의 열화 거동을 정밀 추적했다. 그 결과, 코팅층이 적용된 전극에서는 화학적 열화가 크게 억제되고 반응이 균일하게 진행돼 입자 손상이 고르
DGIST(대구경북과학기술원) 나노기술연구부 김동환·김정민 공동연구팀이 기존 영구자석 제조 방식의 한계를 뛰어넘는 새로운 공정을 개발했다. 이번 연구는 자석 성능 향상에 핵심적인 ‘입계확산(Grain Boundary Diffusion)’ 기술을 혁신적으로 개선한 것으로 전기자동차, 풍력 발전기, 로봇 등 다양한 친환경 산업 분야에 활용될 전망이다. 최근 전기차와 풍력 발전 산업이 급성장하면서, 고온 환경에서도 안정적으로 작동하는 강력한 영구자석의 수요가 빠르게 증가하고 있다. 대표적인 고성능 자석인 네오디뮴(Nd-Fe-B) 영구자석은 전기차 모터의 핵심 소재지만, 고온에서 자기 성능이 급격히 저하되는 단점이 있다. 이를 보완하기 위해 희귀한 중희토류 원소(예: Tb, Dy)를 첨가하지만, 이 원소들은 고가이자 공급이 제한적이어서 산업적 부담이 크다. 기존의 해결책으로는 자석 표면에 중희토류를 침투시키는 입계확산 공정이 널리 활용되지만, 확산이 자석 표면에만 머물러 내부까지 충분히 도달하지 못한다는 한계가 있었다. 이로 인해 두꺼운 자석이나 대형 모듈에는 적용이 어려웠다. 김동환·김정민 연구팀은 이러한 문제를 해결하기 위해 방전 플라즈마 소결(Spark Pla
보통 그림과 글자가 함께 있을 때 사람의 시선이 그림에 먼저 가는 것처럼, 여러 감각을 동시에 활용하는 ‘멀티모달 인공지능’도 특정 데이터에 더 크게 의존하는 경향이 있다. KAIST 연구진은 이러한 한계를 극복해, 그림과 글자를 모두 고르게 인식해 훨씬 더 정확한 예측을 가능케 하는 새로운 멀티모달 인공지능 학습 기술을 개발했다. KAIST는 전기및전자공학부 황의종 교수 연구팀이 다양한 데이터 유형을 한 번에 처리해야 하는 멀티모달 인공지능이 모든 데이터를 고르게 활용할 수 있도록 돕는 새로운 학습 데이터 증강 기술을 개발했다고 14일 밝혔다. 멀티모달 인공지능은 텍스트, 영상 등 여러 데이터를 동시에 활용해 판단하지만, 기존 AI 모델은 특정 정보(예: 텍스트 또는 이미지)에 치우쳐 판단하는 경향이 있었다. 이로 인해 예측 정확도가 떨어지고, 실제 환경에서의 일반화 성능이 제한되는 문제가 있었다. 연구팀은 이러한 편향을 해결하기 위해 일부러 서로 어울리지 않는 데이터를 섞어서 학습에 사용했다. 이를 통해 인공지능은 특정 데이터에만 의존하지 않고, 글과 그림, 소리 등 모든 정보를 균형 있게 활용하는 방법을 학습하게 된다. 또한 품질이 낮은 데이터는 보완하
끼리끼리 논다는 법칙은 과학에도 적용된다. 물과 기름은 섞이지 않고, 이 안을 떠다니는 미세 입자들도 물과 기름 중 자신이 더 편한 쪽, 즉 에너지가 낮은 쪽에 모이게 되는 분포 법칙이다. 하지만 티끌보다 더 작은 세균이더라도 스스로 움직일 수 있다면 이 같은 통계 분포를 깰 수 있는 것으로 나타났다. UNIST 물리학과 정준우 교수, 생명과학과 로버트 미첼 교수와 스탠퍼드 대학 쇼 타카토리 교수 연구팀은 세균처럼 작지만 스스로 움직일 수 있는 입자들이 어떠한 통계 분포 원리를 따르는지를 세계 최초로 규명했다고 12일 밝혔다. 연구에 따르면, 살아있는 세균의 분포를 결정하는 요소는 세균의 운동성과 특정 액체상에 대한 선호도다. 세균이 특정 액체상에 끌리는 힘은 세균을 해당 액상에 가두는 역할을 하고, 세균의 운동성은 그곳에서 빠져나올 수 있도록 만드는 경쟁적 관계다. 연구팀은 세균의 분포를 설명하는 이론 모델을 이 두 힘을 정량적으로 분석해 만들어냈다. 광학집게 기술로 세균이 특정 액체상에 끌리는 힘을 측정한 결과, 1 피코 뉴턴 (1pN) 수준으로 밝혀졌다. 피코뉴턴은 머리카락 한 올이 느끼는 중력보다 천만 배 작은 힘이다. 세균의 추진력은 10 피코뉴턴
광주과학기술원(GIST)은 김승준 GIST AI융합학과 교수 연구팀이 VR 헤드셋에 부착해 귀 내부 압력을 세밀하게 조절함으로써 대기압·수압 변화에 따른 귀의 먹먹함 등 환경 압력 감각을 구현하는 ‘이어프레셔 VR(EarPressure VR)’을 개발했다고 밝혔다. 고도 변화나 수중 환경에서 체감하는 압력 감각을 착용형 장치만으로 재현해 시각·청각 중심의 VR 경험을 확장했다. VR은 컴퓨터가 생성한 3차원 가상 환경을 실제 공간처럼 체험하도록 하는 기술로, 초기에는 게임·엔터테인먼트 중심에서 최근 교육, 의료, 산업훈련, 원격협업 등으로 활용이 확대되고 있다. 그러나 압력 변화를 사실적으로 구현하려면 공간 전체의 기압을 제어해야 해 제약이 컸다. 연구팀은 임상에서 고막과 중이 압력 상태를 측정하는 팀파노메트리(tympanometry) 원리를 응용해 이 문제를 해결했다. 이어프레셔 VR은 귀 내부 상태를 압력 센서로 실시간 모니터링하고, 내장 모터와 의료용 주사기 기반 구동부로 ±40 헥토파스칼(hPa) 범위의 압력 변화를 0.57초 안에 구현한다. 이는 실제 수심을 따라 하강할 때 체감하는 속도와 유사한 수준이다. hPa는 기상·의학 분야에서 널리 쓰이는