본문 바로가기 대메뉴 바로가기

KAIST

연구뉴스

홈페이지 통합검색

-

1억 1천만 뉴스 댓글서 ‘외국발 여론 흔들기’ 찾는 AI 기술 개발 선거철마다 반복되는 온라인 갈등 뒤에 조직적인 여론 개입이 숨어 있다면 어떨까. 우리 대학 연구진이 20년간 축적된 1억 1,000만 건의 뉴스 댓글을 AI로 분석해, 외국 연계 영향력 활동으로 의심되는 흔적과 그 판단 근거까지 찾아내는 기술을 개발했다. 우리 대학은 문화기술대학원 이원재 교수, 전산학부 차미영 교수(독일 막스플랑크 연구소 단장 겸임), 오혜연 교수 공동연구팀이 막스플랑크 연구소 토르스텐 홀츠 교수와 국제 공동연구를 통해 온라인 뉴스 댓글에서 외국 연계 영향력 활동으로 의심되는 패턴을 자동으로 탐지하고, 그 판단 근거까지 제시하는 ‘설명 가능한 AI 기술’을 개발했다고 12일 밝혔다. 특정 세력이 댓글이나 게시물을 조직적으로 확산해 사람들의 인식이나 여론에 영향을 미치려는 활동을 ‘온라인 영향력 공작’이라고 한다. 기존 AI 탐지 기술은 특정 계정을 의심 계정으로 분류하더라도 “왜 이 계정을 의심하는가”에 대한 구체적인 근거를 제시하기 어렵다는 한계가 있었다. 연구팀은 이러한 한계를 해결하기 위해 국가안보전략연구원이 앞서 식별한 외국 연계 계정 70개를 출발점으로 삼았다. 이 계정들과 연관되거나 같은 기사에 반복적으로 댓글을 작성한 계정들을 추적해 2006년부터 2025년까지 20년간 네이버 뉴스에 작성된 약 1억 1,000만 건의 댓글을 분석했다. 연구팀이 개발한 AI는 댓글을 단계적으로 분석한다. 먼저 작성자가 외국과 연계됐다고 의심할 만한 표현이나 맥락이 있는지를 살피고, 이어 도덕적 비난이나 맹목적 찬양처럼 사회적 양극화를 키울 수 있는 감정이 나타나는지를 분석한다. 마지막으로 이러한 감정이 어느 국가나 대상을 향하는지 파악한다. 특히 이번 기술의 핵심은 AI가 단순히 ‘의심스럽다’는 결과만 내놓지 않는다는 점이다. AI가 판단을 내리는 데 근거가 된 댓글 속 표현을 함께 제시해 사람이 그 이유를 확인할 수 있도록 했다. 여기에 계정의 활동 빈도와 활동 기간, 다른 의심 계정과의 활동 연관성 등 다양한 행동 패턴을 함께 분석했다. 연구팀은 이를 통해 네이버 뉴스 이용자 약 400만 명 가운데 외국 연계 영향력 활동이 의심되는 계정 2만 3,998개를 식별했다. 분석 과정에서는 이들 의심 계정의 활동에서 주목할 만한 특징도 발견됐다. 특정 정치 진영을 일방적으로 지지하기보다는 한국 사회 내부의 갈등과 대립을 증폭시키는 방향의 메시지가 두드러진 것이다. 실제로 대중의 호응을 많이 얻은 상위 10개 표적 가운데 7개가 국내 유명 정치인으로 나타났다. 특정 정당이나 이념에 집중되지 않고 진보와 보수 양 진영의 전·현직 대통령과 대선 후보, 정당 등이 폭넓게 대상이 됐다. 연구팀은 이러한 결과가 외국 연계 영향력 활동을 단순히 ‘어느 정치 세력을 지지하는가’의 관점만으로 바라봐서는 안 된다는 점을 보여준다고 설명했다. 특정 진영을 직접 지원하기보다 기존의 정치적 갈등을 자극해 사회적 불신과 양극화를 확대하는 방식으로 영향력을 행사할 가능성도 살펴야 한다는 것이다. 이번 연구는 온라인 영향력 활동을 계정 단위의 단순 분류에서 한 단계 더 나아가, 어떤 메시지가 어떤 방식으로 사회적 갈등을 증폭시키는지를 AI가 찾아내고 그 판단 근거까지 제시했다는 데 의미가 있다. 향후 이 기술은 선거 또는 국가적 위기처럼 사회적 관심과 갈등이 급격히 높아지는 시기에 활용될 수 있다. 포털과 모니터링 기관이 대규모 댓글 가운데 우선적으로 살펴봐야 할 계정이나 메시지를 AI로 선별하고, 전문가가 AI가 제시한 근거를 검토해 최종적으로 판단하는 방식이다. 다만 연구팀은 AI가 의심 계정을 자동으로 차단하거나 제재하는 방식보다 전문가의 판단을 지원하는 ‘설명 가능한 콘텐츠 관리 도구’로 활용하는 것이 중요하다고 강조했다. 이원재 교수는 “20년간의 데이터를 분석한 결과, 의심 계정들은 외국을 직접 찬양하기보다 한국과 국내 정치인을 비난하며 갈등을 키우는 패턴을 보였다”며 “선거 등 사회적 갈등이 높아지는 시기에 우선 검토해야 할 메시지를 가려내는 기준이 될 것”이라고 설명했다. 오혜연 교수는 “AI가 댓글의 표면적인 의미를 넘어 갈등을 유발하는 감정과 계정의 조직적인 행동 패턴까지 함께 분석했다”며 “갈수록 교묘해지는 온라인 영향력 활동을 탐지하는 데 활용될 것으로 기대한다”고 말했다. 차미영 교수는 “이번 연구는 데이터 과학을 실제 사회 문제 해결로 연결한 ‘액셔너블 데이터 과학(Actionable Data Science)’의 사례”라며 “디지털 공론장의 투명성과 신뢰를 높이는 실질적인 도구가 되길 기대한다”고 밝혔다. 공동 제1저자인 KAIST 김재홍 박사과정과 김현승 석사과정이 주도한 이번 연구는 컴퓨터 보안 분야 최고 권위 국제학술대회인 ‘USENIX Security Symposium 2026(유즈닉스 시큐리티 심포지엄 2026)’에서 8월 13일 발표될 예정이다. ※ 논문명: Cross-National Information Attacks: A Two-Decade Analysis of Troll Behavior in Korea, DOI: 10.48550/arXiv.2606.22785 이번 연구는 현대차 정몽구 재단과 글로벌 정보보호 고급 인력 양성과제(과학기술정보통신부·정보통신기획평가원, RS-2024-00441762), 중견연구자지원사업(과학기술정보통신부·한국연구재단, RS-2022-00165347), 첨단데이터컴퓨팅연구실 (KAIST, N11250080)의 지원을 받아 수행됐다.
2026.08.12 조회수 220
제멋대로 움직이던 기체 ‘줄 세웠다’…탄소 포집·수소 저장 새 길 지구온난화를 일으키는 이산화탄소는 골라 잡고, 청정에너지원인 수소는 작은 공간에 효율적으로 담아야 한다. 우리 대학 연구진이 기체를 ‘얼마나 많이 담을까’를 넘어, 원하는 모양으로 ‘줄 세우는’새로운 소재 설계 기술을 개발했다. 향후 이산화탄소와 수소 등에 적용되면, 탄소는 더 잘 골라 잡고 수소는 더 효율적으로 저장하는 맞춤형 소재 개발을 앞당길 것으로 기대된다. 우리 대학은 생명화학공학과 김지한 교수 연구팀이 아주 작은 구멍이 무수히 뚫린 다공성 물질 안에서 기체를 결정처럼 규칙적으로 ‘줄 세우고’, 원하는 기체 배열을 만드는 소재까지 인공지능(AI)으로 설계하는 기술을 개발했다고 11일 밝혔다. 연구팀은 미세한 구멍에 기체를 담거나 골라낼 수 있는 금속-유기 골격체(MOF)*를 활용했다. MOF는 스펀지가 물을 머금듯 미세한 구멍에 기체를 담을 수 있어 일종의 ‘분자 스펀지’와 같다. 연구팀은 수많은 MOF 구조를 탐색해 기체가 제멋대로 흩어지지 않고 결정처럼 규칙적으로 배열되는 ‘가스 격자(Gas Lattice)’ 현상을 찾아냈으며, 나아가 AI를 활용해 원하는 기체 배열을 만들어낼 수 있는 새로운 다공성 구조를 직접 설계하는 데도 성공했다. *금속-유기 골격체(MOF): 금속과 유기물이 결합해 만들어진 물질로, 내부에 미세한 구멍이 무수히 있어 기체 저장·분리 등에 활용되는 다공성 소재 지금까지 다공성 소재 연구에서는 기체가 얼마나 많이 흡착되는지가 주요 관심사였다. 기체 분자 역시 소재 내부의 빈 공간에 무질서하게 흩어져 붙는다고 여겨져 왔다. 연구팀은 여기서 한발 더 나아가, 기체가 들어가는 미세 공간을 정교하게 설계하면 기체가 자리 잡는 위치와 배열까지 조절할 수 있다는 가능성에 주목했다. 쉽게 말해 기체를 담는 ‘그릇’의 크기만 키우는 것이 아니라, 그 안에서 기체가 어디에 자리 잡을지까지 설계하겠다는 것이다. 연구팀은 단일 원소 기체인 제논(Xe)을 이용해 이를 확인했다. 방대한 금속-유기 골격체 구조를 탐색한 결과, 특정 코발트 기반 다공성 물질(Co-CAU-36) 안에서 제논이 규칙적인 격자를 이루는 현상을 찾아냈다. 컴퓨터 시뮬레이션(GCMC) 결과, 제논은 기공 안에 제멋대로 흩어지는 대신 ‘체심 입방 격자(BCC)’라는 일정한 결정 형태로 정렬됐다. 상자 안에 공을 아무렇게나 쏟아 넣는 것이 아니라, 정해진 자리에 공을 하나씩 맞춰 놓은 것처럼 제논 원자들이 일정한 위치에 규칙적으로 자리 잡은 것이다. 이는 MOF의 미세한 기공이 일종의 ‘틀’ 역할을 해 제논 원자들이 자리 잡을 위치를 유도했기 때문이다. 즉, 기체 자체에 극한의 조건을 가해 결정화하는 것과 달리, 기체가 들어가는 공간을 이용해 규칙적인 배열을 만들어낸 것이다. 특히 서로 다른 기체를 섞었을 때는 흥미로운 분리 현상도 나타났다. 산업적으로 분리 가치가 높은 제논(Xe)과 크립톤(Kr)을 함께 넣자 제논이 먼저 규칙적인 껍질 형태의 격자를 만들고, 크립톤은 그 중심부에 자리 잡았다. 두 기체가 뒤섞이는 대신 서로 다른 공간에 나뉘어 자리 잡은 것이다. 이는 혼합기체를 분리하는 새로운 방법으로 활용될 가능성을 보여준다. 기존에는 주로 소재에 더 잘 달라붙는 기체를 선택적으로 잡아내는 방식에 주목했다면, 이번 연구에서는 기체가 만드는 ‘배열’에 따라 서로 다른 기체가 공간적으로 나뉘는 새로운 현상을 확인했다. 연구팀은 여기서 한발 더 나아가 ‘원하는 모양으로 기체를 배열하려면 어떤 소재가 필요할까’라는 질문에 도전했다. 이를 위해 기계학습(Machine Learning)과 유전 알고리즘을 결합했다. 수많은 후보 가운데 좋은 소재를 하나씩 찾아가는 대신, 원하는 기체 배열을 먼저 정하고 AI가 이에 적합한 다공성 구조를 거꾸로 찾아가는 ‘역설계’ 방식이다. 그 결과 연구팀은 체심 입방(BCC)은 물론 면심 입방(FCC) 형태로 기체를 배열할 수 있는 새로운 다공성 구조를 설계하는 데 성공했다. 기존에는 ‘좋은 스펀지를 먼저 찾고 그 안에서 기체가 어떻게 움직이는지’를 확인했다면, 이제는 ‘기체를 이런 모양으로 배열하고 싶다’는 목표에서 출발해 그에 맞는 스펀지 구조를 설계할 수 있음을 보여준 것이다. 향후 이 기술이 이산화탄소와 수소 등 다양한 기체로 확대되면, 목적에 따라 필요한 기체를 선택적으로 포집·분리하거나 효율적으로 저장하는 소재 설계에 활용될 것으로 기대된다. 또한 분자의 위치와 배열에 따라 화학반응이 달라지는 촉매 분야에서도 원하는 반응을 유도하는 소재 설계로 확장될 가능성이 있다. 김지한 교수는 “이번 연구는 기체를 다공성 물질 안에서 결정처럼 줄 세운 첫 사례”라며 “기체를 얼마나 많이 담을지만 고민하던 데서 나아가, 원하는 배열까지 설계할 수 있는 새로운 가능성을 열었다”고 말했다. 이어 “앞으로 이산화탄소 등 다양한 분자에 적용하면 목적에 맞는 분리·저장 소재를 설계하는 데 활용될 수 있을 것”이라고 말했다. KAIST 생명화학공학과 김영훈 박사과정과 김도훈 박사과정이 공동 제1 저자로 참여하고, 김승우 석사과정과 임윤성 박사가 제2 저자로 참여한 이번 연구 결과는 국제 학술지 ‘네이처 커뮤니케이션즈(Nature Communications)’에 6월 23일 온라인 게재됐다. ※ 논문명: Framework-templated gas lattices in metal-organic frameworks, DOI: 10.1038/s41467-026-74776-5 한편, 이번 연구는 과학기술정보통신부의 한국연구재단 이종소재지원사업과 한국연구재단 탑-티어 연구기관 간 협력 플랫폼 구축 및 공동연구 지원사업의 지원을 받아 수행됐다.
2026.08.11 조회수 1369
데이터 속도 맞춰 스스로 반응하는 '카멜레온 AI 반도체' 개발 AI 반도체도 이제‘눈치'를 본다. 기존 AI 반도체는 입력 신호에 반응하는 속도와 정보를 기억하는 시간이 한 번 정해지면 바꿀 수 없는‘고정된 반응 특성'을 가졌지만, 이제는 데이터의 변화 속도에 맞춰 스스로 반응하는 시대가 열렸다. 우리 대학 연구진은 이 기술로 시간에 따라 변하는 데이터의 예측 오류를 기존보다 최대 40배 줄였다. 자율주행차와 로봇, 웨어러블 기기의 실시간 AI 성능을 높일 핵심 원천기술로 기대된다. 우리 대학은 전기및전자공학부·반도체공학대학원 최신현 석좌교수 연구팀이 입력되는 데이터의 변화 속도에 따라 반응 특성을 자유롭게 바꿀 수 있는 새로운 AI 반도체 소자‘프로그래머블 동적 멤트랜지스터(Programmable Dynamic Memtransistor, PDM)'와 이를 집적한 어레이를 개발했다고 7일 밝혔다. 멤트랜지스터(Memtransistor)는 정보를 저장하는 메모리(Memory)와 계산을 수행하는 트랜지스터(Transistor)의 기능을 하나로 결합한 차세대 반도체 소자다. 데이터를 계산하면서도 이전 정보를 기억할 수 있어 입력되는 데이터에 맞춰 반응 속도를 조절할 수 있는 것이 특징이다. 현실 세계의 데이터는 모두 같은 속도로 변하지 않는다. 심장 박동이나 음성처럼 매우 빠르게 변하는 정보가 있는가 하면, 날씨나 공장 설비 상태처럼 천천히 변하는 정보도 있다. 하지만 기존 AI 반도체는 입력 신호에 반응하는 속도와 그 상태를 유지하는 시간(시간 응답 특성)이 고정돼 있어, 서로 다른 속도의 데이터를 동시에 효율적으로 처리하는 데 한계가 있었다. 연구팀은 이러한 문제를 해결하기 위해 전기적 정보를 저장하는 층(전하 저장층)과 전자를 저장해 반도체의 반응 속도를 조절하는 층(전자 포획층)을 하나의 트랜지스터 안에 결합한 새로운 구조를 개발했다. PDM은 데이터가 입력되면 전하 저장층에서 정보를 처리하고, 전자 포획층이 반도체가 원래 상태로 돌아가는 속도를 조절한다. 마치 운전자가 고속도로에서는 속도를 높이고 골목길에서는 속도를 줄이듯, 반도체도 데이터의 변화 속도에 맞춰 가장 적합한 반응 속도를 스스로 선택한다. 실험 결과 연구팀은 반도체가 입력 신호에 반응한 뒤 원래 상태로 돌아오는 시간을 약 5배 범위에서 조절했으며, 빠르게 반복되는 신호를 처리하는 능력(주파수 특성)도 10배 이상 폭넓게 조절할 수 있음을 확인했다. 특히 빠르게 변하는 정보와 느리게 변하는 정보가 함께 포함된 시계열 데이터(Time-series data, 시간의 흐름에 따라 연속적으로 생성되는 데이터) 예측 실험에서는 기존의 고정형 반도체보다 예측 오류를 최대 40배 줄이는 성능을 보였다. 또한 연구팀은 PDM을 여러 개 연결한 어레이(Array, 동일한 반도체 소자를 일정한 형태로 집적한 구조)를 제작해 실험한 결과, 기존 소프트웨어 기반 AI 시스템과 비슷한 정확도를 유지하면서도 훨씬 적은 에너지로 동작하는 것을 확인했다. 이번 기술은 별도의 복잡한 데이터 전처리 없이도 다양한 속도로 변하는 데이터를 효율적으로 처리할 수 있다. 또한 한 번 설정한 반응 특성은 전원을 계속 공급하지 않아도 유지되는 비휘발성(전원이 꺼져도 정보가 유지되는 특성)을 갖춰 에너지 소비를 줄일 수 있다. 여기에 현재 널리 사용되는 상용 반도체 공정(CMOS 공정)과도 호환돼 대량 생산과 상용화 가능성이 높다는 점에서도 의미가 크다. 최신현 석좌교수는 "이번 연구는 데이터의 변화 속도에 맞춰 반도체가 스스로 가장 적합한 방식으로 반응하는 AI 반도체를 구현한 것”이라며 "자율주행차와 로봇, 웨어러블 기기 등 다양한 AI 기기의 성능은 높이고 전력 소모는 줄이는 핵심 기술이 될 것으로 기대한다”고 말했다. 이번 연구는 KAIST 반도체공학대학원 김대원 박사과정이 제1저자로 참여했으며, 조윤호, 서석호, 김유진, 박시온, 장태환, 박채빈이 공동저자로 참여했다. 또한 삼성전자 반도체연구소 오영택 연구원과 이재덕 Fellow가 공동저자로 참여했으며, 최신현 교수가 교신저자를 맡았다. 연구 결과는 세계적인 권위의 국제학술지 ‘네이처 커뮤니케이션스(Nature Communications)’에 7월 게재됐다. ※논문명: Programmable memtransistor array with temporal dynamics modulation for efficient time-series data processing, DOI : https://doi.org/10.1038/s41467-026-75211-5 본 연구는 과학기술정보통신부 한국연구재단 신소자원천기술개발사업, 정보통신기획평가원 ETRI연구개발지원사업, 산업통상자원부 한국산업기술진흥원(KIAT) 산업혁신인재성장지원사업, 삼성전자 등의 지원을 받아 수행되었다.
2026.08.07 조회수 793
안개 속 투명한 물체도 선명하게 본다…한 번의 촬영으로 복원 안개나 불투명한 막 뒤에 가려진 투명한 물체도 한 번의 촬영만으로 원래 모습을 찾아낸다. 우리 대학 연구진이 빛이 심하게 흩어지는 환경에서도 인공지능(AI)과 광학 원리를 이용해 투명한 물체의 모양과 두께, 위치를 동시에 복원하는 기술을 개발했다. 이번 기술은 반도체·디스플레이의 투명 부품 검사와 바이오 영상 등 다양한 분야에 활용될 것으로 기대된다. 우리 대학 바이오및뇌공학과 장무석 교수 연구팀이 두 개의 움직이는 산란층(안개나 불투명한 막처럼 빛을 여러 방향으로 흩뜨리는 층) 사이에 완전히 가려진 위상 물체(일반 카메라로는 잘 보이지 않지만 빛이 지나갈 때 아주 미세한 변화를 일으키는 투명한 물체)를 한 번의 촬영만으로 복원하는 단일 촬영 위상 영상(Single-shot Phase Imaging) 기술을 개발했다고 6일 밝혔다. 위상 물체는 유리나 투명 비닐, 살아 있는 세포처럼 일반 카메라로는 주변과 밝기 차이가 거의 없어 잘 보이지 않는 물체다. 하지만 빛이 물체를 통과하면서 생기는 아주 미세한 변화(위상)를 분석하면 물체의 형태와 광학적 두께까지 알아낼 수 있다. 그래서 위상 영상 기술은 살아 있는 세포를 염색하지 않고 관찰하거나 반도체와 디스플레이의 투명 부품을 검사하는 데 활용된다. 문제는 안개 낀 창문 너머를 촬영하면 물체가 흐릿하게 보이는 것처럼, 물체 앞뒤에 있는 산란층(빛을 여러 방향으로 흩뜨리는 층)이 움직이면 빛의 경로도 계속 바뀌어 물체의 정보를 정확히 얻기 어려웠다는 점이다. 그래서 기존 기술은 같은 대상을 여러 번 촬영하거나 산란 환경을 미리 측정해야 했고, 많은 학습 데이터를 이용해 인공지능을 훈련시키는 과정도 필요했다. 연구팀은 이러한 문제를 해결하기 위해 돋보기로 빛을 모으듯 (Focused Illumination, 점조명) 빛을 한곳에 집중시켜 첫 번째 산란층을 통과한 빛이 물체의 정보를 최대한 안정적으로 담도록 했다. 이후 빛이 물체와 산란층을 통과하면서 어떻게 변하는지를 계산하는 광학 모델과 인공지능(AI)을 결합했다. 일반적인 AI처럼 수많은 정답 사진을 미리 학습하는 대신, ‘이 빛이 어떤 경로로 거쳐 왔을까’를 물리 법칙에 따라 거꾸로 추적하며 실제 모습을 찾아가는 방식이다. 마치 안개 속에서 흐릿하게 찍힌 사진 한 장만 보고 안개를 걷어내듯 원래 모습을 복원하는 것과 같다. 연구팀은 이를 통해 한 번 촬영한 영상(빛의 세기를 측정)만으로 투명 물체의 모양과 두께는 물론 빛이 얼마나 산란됐는지, 물체가 어디에 있는지까지 동시에 알아내는 데 성공했다. 또한 물체의 위치가 바뀌거나 산란층이 움직여 빛이 흐려지는 정도가 달라져도 별도의 학습 데이터 없이 안정적으로 작동했다. 실험에서도 다양한 산란 환경에서 기존 단일 촬영 위상 복원 기술보다 물체의 경계와 세부 구조를 더욱 선명하게 복원했다. 이번 기술은 안개 낀 유리창 너머의 물체를 선명하게 보는 것처럼, 기존 광학 장비로는 검사하기 어려웠던 반도체·디스플레이용 투명 부품과 광학 소재를 더욱 정밀하게 검사하고, 살아 있는 세포를 손상 없이 관찰하는 바이오 영상, 차세대 광학 센서 등 다양한 분야에 활용될 것으로 기대된다. 장무석 교수는 "이번 연구는 안개나 불투명한 막처럼 빛이 심하게 흐트러지는 환경에서도 한 번의 촬영만으로 투명한 물체의 모양과 위치를 복원한 첫 사례”라며 "앞으로는 더 복잡한 환경에서도 안정적으로 작동하는 기술로 발전시켜 반도체 검사와 바이오 영상 등 다양한 분야에 활용할 계획”이라고 말했다. 이번 연구는 KAIST 바이오및뇌공학과 김유선 석사과정과 송국호 박사과정이 공동 제1저자로 참여하고 장무석 교수가 교신저자를 맡았으며, 광학 분야 국제학술지 Optica에 7월 20일 자 게재됐다. ※논문명: Single-shot imaging of phase objects fully enclosed by dynamic scattering layers, DOI: https://doi.org/10.1364/OPTICA.593328 해당 연구는 정부(과학기술정보통신부)의 재원으로 선도연구센터, 미래유망융합기술파이오니어, 우수연구-핵심연구((RS-2021-NR060086, RS-2023-00251628, RS-2026-25479811), 삼성전자전략산학과제 (IO260313-15915-01)의 지원을 받아 수행됐다.
2026.08.06 조회수 1775
AI 데이터센터 시대 '거대한 배터리' 상용화 앞당긴다 폭발적으로 늘어나는 AI 데이터센터 시대를 뒷받침할‘거대한 배터리'의 상용화가 한층 가까워졌다. 우리 대학 연구진이 대용량 배터리의 핵심 소재 생산 시간을 67% 줄이는 공정 기술을 개발해 상용화의 가장 큰 생산 병목을 해결했다. 우리 대학은 생명화학공학과 김희탁 교수 연구팀이 대용량 에너지저장장치(ESS)의 유력 후보인 바나듐 레독스 흐름전지(VRFB)의 핵심 전해질을 빠르고 안정적으로 생산하는 공정을 개발했다고 5일 밝혔다. 최근 24시간 끊임없이 가동되는 AI 데이터센터가 급증하면서 태양광과 풍력 등 재생에너지로 생산한 전기를 대량으로 저장했다가 필요할 때 안정적으로 공급하는 대용량 ESS의 중요성이 커지고 있다. 특히 바나듐 레독스 흐름전지는 화재 위험이 거의 없고, 전해질을 담는 탱크만 크게 만들면 저장 용량도 쉽게 늘릴 수 있어 AI 데이터센터와 재생에너지용 초대형 배터리로 주목받고 있다. 그러나 배터리의‘연료' 역할을 하는 바나듐 전해질을 최적 상태(V3.5+)로 만드는 과정이 오래 걸리고 비용도 많이 들어 상용화의 가장 큰 걸림돌이었다. 기존 공정은 먼저 화학적 환원(환원제를 이용해 바나듐 이온이 전자를 얻도록 하는 화학 반응)으로 전해질을 만든 뒤, 전기화학적 환원(전기를 흘려 바나듐 이온의 전자 상태를 원하는 수준으로 조절하는 공정)을 거쳐 최종 전해질을 생산했다. 그러나 마무리 단계인 전기화학적 환원은 시간이 오래 걸리고 비용이 많이 드는 공정으로, 대량 생산과 상용화의 가장 큰 걸림돌이었다. 연구팀은 화학 반응으로 전해질을 만드는 과정이 고속도로를 달리다 갑자기 병목 구간에서 차량이 막히는 것처럼, 특정 단계에서 반응 속도가 급격히 느려진다는 사실을 세계 최초로 밝혀냈다. 바나듐 전해질이 배터리 구동에 최적화된 상태(V3.5+)로 변해가는 중간 단계인 평균 산화수(바나듐 이온이 전자를 잃은 정도를 나타내는 값)가 약 +4.1인 지점이 바로 그 병목 구간이었다. 연구팀은 이 병목 구간에서 시간이 오래 걸리던 기존의 전기화학적 환원 공정 대신, 백금-탄소(Pt/C) 촉매를 이용한 촉매 환원 공정을 적용하도록 생산 공정을 설계했다. 마치 자동차가 정체된 도로에서 더 빠른 우회도로를 이용하듯, 가장 시간이 오래 걸리던 마지막 공정만 더 효율적인 방식으로 바꾼 것이다. 그 결과 바나듐 레독스 흐름전지(VRFB)에서 전기 에너지를 저장하는 핵심 소재인 V3.5+전해질의 생산 시간이 기존보다 67% 단축됐다. 또한 공정 중 남아 배터리 성능을 떨어뜨릴 수 있는 잔류 옥살산(불순물)도 함께 제거됐으며, 같은 촉매를 2,500회 이상 반복 사용해도 성능 저하 없이 안정적으로 전해질을 생산할 수 있음을 확인해 실제 산업 현장에서도 활용 가능성을 입증했다. 김희탁 교수는 "이번 연구는 대용량 배터리 상용화의 가장 큰 숙제였던 전해질 생산 과정을 반응공학적으로 정밀 분석해 새롭게 설계한 성과”라며 "촉매가 전해액 환경에서 손상되지 않고 안정적으로 작동하는 조건을 과학적으로 규명해 산업 현장의 생산 병목을 해결한 만큼 대용량 에너지저장 기술의 상용화를 크게 앞당길 것으로 기대한다”고 말했다. 이번 연구는 KAIST 생명화학공학과 석경화 박사과정이 제1저자로 연구를 주도했으며, 연구 결과는 에너지 분야 세계적 권위의 국제학술지인‘어드밴스드 에너지 머티리얼즈(Advanced Energy Materials)’에 5월 7일 온라인 게재됐다. 특히 연구의 학술적 중요성을 인정받아 34호(Issue 34)의 표지논문으로 선정됐으며, 해당 호는 9월 초 온라인 공개될 예정이다. ※ 논문명 : Streamlined V3.5+ Eectrolyte Production by Leveraging Chemical and Catalytic Reductions, DOI: https://doi.org/10.1002/aenm.71029, ※ 저자 정보 : 석경화 (KAIST, 제1 저자), 강민성 (KAIST, 제2 저자) 및 김희탁 (KAIST, 교신저자) 한편 이번 연구는 롯데케미칼의 지원을 받아 수행됐다.
2026.08.05 조회수 740
미국 에너지부 성능 목표를 넘어선 PEMFC 복합재분리판 개발 수소연료전지는 자동차, 버스, 트럭 등을 운행하면서 배기가스를 배출하지 않는 친환경 동력원이다. 그러나 연료전지 내부에서 전기와 열을 전달하고 수소와 공기의 흐름을 관리하는 핵심 부품인 분리판은 수소연료전지의 대량생산과 상용화를 어렵게 하는 요소 중 하나이다. 기존 분리판은 주로 무거운 금속이나 깨지기 쉬운 흑연으로 제작되며, 가격이 높고 대량으로 생산하기 어렵다는 한계가 있다. 우리 대학 기계공학과 김성수 교수 연구팀은 이러한 문제를 해결하기 위해 가볍고 강하면서도 전기와 열을 효과적으로 전달할 수 있는 새로운 복합재 분리판을 개발했다. 핵심은 서로 다른 탄소 소재의 장점을 결합한 독창적인 샌드위치 구조이다. 중앙에는 카본블랙과 환원 그래핀 산화물로 만든 초박형 흑연화 시트를 배치하고, 그 양쪽에는 다중벽 탄소나노튜브가 고르게 분산된 팽창흑연층을 형성했다. 전체 구조는 열과 화학물질에 강한 고성능 고분자인 폴리벤족사진을 이용해 하나로 결합했다. 개발된 분리판은 전기전도성, 내식성, 수소 차단성, 방열성 및 기계적 강도 등 연료전지 분리판에 요구되는 주요 성능에서 우수한 결과를 보였으며, 미국 에너지부(U.S. Department of Energy)의 주요 성능 목표를 충족하거나 초과했다. 또한 기존 복합재 분리판보다 적은 양의 소재를 사용하면서도 상대적으로 낮은 압력에서 제조할 수 있어, 생산에 필요한 에너지와 공정 부담을 줄일 가능성을 제시했다. 본 연구는 고성능과 제조 효율성을 동시에 확보한 복합재 분리판을 통해 수소연료전지의 대량생산과 상용화 가능성을 높였다는 점에서 의미가 있다. 어드밴스드 컴포짓 앤 하이브리드 머티리얼즈(Advanced Composites and Hybrid Materials, IF 21.8)’에 2026년 7월 13일 자로 게재되었다. ※ 논문명 : Polybenzoxazine composite bipolar plates with hierarchical sandwich architecture of freestanding laser-induced graphitized sheet core and MWCNT-dispersed expanded graphite skin layers for PEMFCs DOI : https://doi.org/10.1007/s42114-026-01962-w
2026.08.04 조회수 684
바닷물 속 이산화탄소를 '돌'로 바꿔 영구 저장하는 해양 탄소 제거 기술 개발 바다가 지구를 정화하는 능력을 키우는 길이 열렸다. 우리 대학 연구진이 바닷물 속 이산화탄소를 다시 대기로 나오지 않는‘돌(광물)'로 바꿔 영구 저장하는 기술을 개발했다. 이를 통해 바다가 더 많은 이산화탄소를 흡수할 수 있는 기반을 마련했으며, 차세대 해양 탄소 제거 기술의 상용화를 앞당길 것으로 기대된다. 우리 대학은 생명화학공학과 고동연 교수 연구팀이 미국 매사추세츠공과대학교(MIT, Massachusetts Institute of Technology)의 T. 앨런 해튼(T. Alan Hatton) 교수 연구팀과 공동으로 바닷물 속 이산화탄소를 안정적인 돌(광물) 형태인 탄산칼슘(CaCO₃)으로 바꿔 사실상 영구 저장하는 ‘전기화학 기반 해양 탄소 제거(e-DOC, Electrochemical Dissolved Ocean Carbon Removal)’기술을 개발했다고 4일 밝혔다. 바다는 인간이 배출한 이산화탄소의 약 30%를 흡수하는 지구 최대의 탄소 저장고다. 큰 물통에서 물을 조금 퍼내면 다시 물이 채워지듯, 바닷물 속 이산화탄소를 제거하면 바다는 대기 중 이산화탄소를 다시 흡수하게 된다. 연구팀은 바닷물에 녹아 있는 탄소 성분인 용존무기탄소(DIC, Dissolved Inorganic Carbon)를 다시 대기로 나오지 않는 돌(광물) 형태로 바꿔 저장하는 기술을 개발했다. 이렇게 저장된 탄소는 사실상 영구적으로 대기로 돌아가지 않아 바다가 계속해서 새로운 이산화탄소를 흡수하도록 돕는다. 이러한 기술은 기후변화 대응을 위한 핵심 탄소 제거(CDR, Carbon Dioxide Removal) 기술로 주목받고 있다. 하지만 기존 기술은 주전자에 물때가 끼듯 탄산칼슘 등 광물이 전극 표면에 달라붙어 장치가 막히는 스케일링(Scaling) 현상이 발생했다. 시간이 지날수록 성능이 떨어져 장치를 자주 세척하거나 교체해야 했고, 에너지 소비와 유지관리 비용도 높았다. 연구팀은 이를 해결하기 위해 속이 빈 실처럼 생긴 전극 안에 이온만 통과시키는 막과 전기 반응을 함께 일으키는 상대전극(짝을 이루는 전극)을 동심구조(한 중심을 기준으로 여러 층을 원통형으로 배치한 구조)로 내장한 중공사 전극 조립체(HFEA, Hollow Fiber Electrode Assembly, 속이 빈 실 모양 전극을 묶어 만든 장치)를 개발했다. 쉽게 말해, 광물이 전극에 달라붙지 않고 전극 바깥에서 만들어지도록 장치 구조를 새롭게 설계한 것이다. 이 구조에서는 대부분의 광물이 전극 표면이 아니라 바깥쪽에서 생성되고, 전극에서 자연스럽게 발생하는 수소 기포가 칫솔처럼 전극 표면을 계속 닦아주는 역할을 해 광물이 달라붙는 것을 막는다. 실제로 제주 용암 해수를 이용한 실험에서 장치를 120시간 이상 안정적으로 연속 운전하는 데 성공했다. 바닷물 속 용존무기탄소의 80~90%를 제거했으며, 기존 기술보다 전력 소비를 최대 54% 줄였다. 또한 탄소를 제거하는 과정에서 고순도 수소(H₂)와 수산화마그네슘(Mg(OH)₂, 친환경 소재와 산업 원료로 활용되는 물질)도 함께 생산해 경제성까지 높였다. 이번에 개발한 장치는 소형·모듈형으로 제작할 수 있어 선박이나 해양플랜트(바다에서 운영되는 산업시설) 등에 쉽게 설치할 수 있다. 연구팀은 앞으로 대규모 해양 탄소 제거 시스템으로 확대해 탄소중립 실현과 기후변화 대응에 기여할 수 있을 것으로 기대하고 있다. 고동연 교수는 "이번 기술은 바닷물 속 이산화탄소를 다시 대기로 나오지 않는 돌(광물) 형태로 바꿔 영구 저장함으로써 바다가 지속적으로 새로운 이산화탄소를 흡수하도록 돕는 기술”이라며 "해양 탄소 제거 기술의 상용화를 앞당기고 탄소중립 사회 실현에 기여할 수 있을 것으로 기대한다”고 말했다. KAIST 생명화학공학과 박인환 박사과정과 MIT 이영훈 박사(KAIST 2023년 졸업, 現 MIT 화학공학과)가 공동 제1 저자로 참여한 이번 논문은 국제 학술지 ‘어드밴스드 에너지 머티리얼스(Advanced Energy Materials)’에 2026년 6월 19일자로 온라인판으로 게재됐다. ※ 논문명 : A Compact Hollow Fiber Electrode Assembly Architecture for Continuous Electrochemical Marine Carbon Dioxide Removal, DOI: https://doi.org/10.1002/aenm.71205 이번 연구는 현대자동차·기아와 과학기술정보통신부 재원으로 한국연구재단 글로벌 C.L.E.A.N. 사업의 지원을 받아 진행됐다.
2026.08.04 조회수 4060
AI가 택배 배송·인력 배치까지 스스로 짠다...‘실행 가능한 계획’ 만드는 기술 개발 택배 배송과 공장 생산계획, 병원 근무표까지. 앞으로는 인공지능(AI)이 현실의 모든 조건을 고려해‘실제로 실행 가능한 계획'을 스스로 만드는 시대가 열린다. 우리 대학 연구진이 외부 전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만드는 기술을 개발했다. 우리 대학은 전산학부 김민수 교수 연구팀이 외부의 전문 최적화 프로그램(솔버, Solver·복잡한 최적화 문제의 정답을 자동으로 계산하는 프로그램) 없이도 AI가 스스로 실행 가능한 계획을 만들도록 학습하는 강화학습(Reinforcement Learning·시행착오를 반복하며 더 나은 선택을 배우는 AI 학습 방식) 기술‘RL-SPH(Reinforcement Learning-based Start Primal Heuristic)'를 개발했다고 3일 밝혔다. 이번 기술은 AI가 현실의 여러 제약조건을 스스로 만족하는 계획을 만들어낼 수 있도록 한 것이 핵심이다. 향후 물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 분야에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대된다. 물류 배송과 차량 경로 탐색, 공장 생산 일정, 병원 근무표 작성은 모두 여러 조건을 만족하면서 가장 효율적인 계획을 찾아야 하는 대표적인 정수선형계획법(ILP, Integer Linear Programming·여러 조건을 만족하는 최적의 계획을 찾는 계산 기법) 문제다. 예를 들어 택배 배송은 배송 시간을 줄이는 것뿐 아니라 차량 적재량과 기사 근로시간을 지키고 모든 배송지를 빠짐없이 방문해야 한다. 조건 하나만 어겨도 아무리 빠른 경로라도 실제로 사용할 수 없다. 기존 AI는 비용이 적게 드는 계획을 제안하더라도 차량 적재량이나 근로시간 같은 현실의 조건을 위반하는 경우가 많았다. 결국 Gurobi나 SCIP 같은 전문 솔버가 마지막으로 오류를 수정해야 했기 때문에 AI만으로는 완전한 해결이 어려웠다. 연구팀이 개발한 RL-SPH는 처음부터 정답을 예측하는 대신 사람이 계획을 하나씩 고쳐 나가듯 현재 계획을 단계적으로 수정한다. 변수(인원 수, 차량 수, 생산량처럼 조정 가능한 값)를 하나씩 바꾸며 제약조건(반드시 지켜야 하는 현실의 조건)을 해결하고, 그 결과를 학습해 점점 더 나은 계획을 만들어간다. 특히 연구팀은‘가장 좋은 계획'보다‘실제로 사용할 수 있는 계획'을 먼저 찾도록 AI를 설계했다. 예를 들어 공장에서는 먼저 납기일과 설비 용량, 작업 인력 등 모든 조건을 만족하는 생산계획을 만든 뒤, 그 상태를 유지하면서 생산비와 시간을 줄여나가는 방식이다. 이를 위해 먼저 실행가능해(모든 제약조건을 만족해 실제 사용할 수 있는 계획)를 찾고, 이후 비용과 시간을 줄이는 2단계 탐색 전략을 적용했다. 또한 변수와 제약조건의 관계를 학습하는 새로운 AI 모델‘ILP-GT'와, 문제 해결에 가장 효과적인 변수부터 우선 수정하는 실행가능성 인식 탐색 전략을 적용해 계산 효율도 크게 높였다. 연구팀은 대표적인 5종의 벤치마크에서 RL-SPH를 평가한 결과 모든 문제에서 100%의 실행가능해를 찾는 데 성공했다. 일반 정수 변수가 포함된 더욱 복잡한 문제에서도 같은 성능을 유지했다. 기존 기술과 비교하면 최적해와의 차이를 나타내는 프라이멀 갭(Primal Gap)은 평균 28.6배, 탐색 과정 전체의 품질과 속도를 평가하는 프라이멀 인터그럴(Primal Integral)은 2.6배 개선됐다. 또한 처음으로 실행 가능한 계획을 찾는 시간도 평균 2.5배 빨라졌다. PAS, DDIM, DiffILO 등 최신 AI 기술과 비교한 결과에서도 RL-SPH만이 모든 벤치마크에서 실행 가능한 계획을 100% 찾아냈다. 학습 시간도 평균 30분으로 기존 기술보다 14.7배, 최근 비지도학습(정답을 미리 알려주지 않고 데이터에서 스스로 규칙을 찾는 AI 학습 방식) 기반 기술보다 약 34배 빨랐다. 특히 산업계와 학계에서 널리 사용하는 국제 최적화 벤치마크인 MIPLIB(Mixed Integer Programming Library)에서도 높은 범용성을 입증했다. 기존보다 최대 67배 큰 문제는 물론, 학습 과정에서 한 번도 접하지 못한 새로운 형태의 문제에서도 실행 가능한 계획을 안정적으로 찾아냈다. 김민수 교수는 "현실에서는 가장 좋은 답보다 실제로 실행할 수 있는 계획이 더 중요하다”며 "이번 연구는 전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만들 수 있음을 보여준 성과로, 앞으로 물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 현장에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대한다”고 말했다. 이번 연구는 KAIST 전산학부 이태훈 박사과정이 제1 저자로 참여했으며, 김민수 교수가 교신저자를 맡았다. 연구 결과는 7월 6일부터 11일까지 개최된 세계 최고 권위의 기계학습 국제 학술대회인 ‘국제 기계학습 학회(ICML, International Conference on Machine Learning)’에서 발표됐다. ※ 논문명: RL-SPH: Learning to Achieve Feasible Solutions for Integer Linear Programs, DOI: https://doi.org/10.48550/arXiv.2411.19517 ※ 저자정보: 이태훈(KAIST, 제1 저자), 김민수(KAIST, 교신저자) 한편, 이번 연구는 과학기술정보통신부와 정보통신기획평가원(IITP)의 SW스타랩 및 대학ICT연구센터(ITRC) 사업, 한국연구재단의 지원을 받아 수행됐다.
2026.08.03 조회수 647
암 환자 말라가게 하는 '악액질' 잡았다 "잘 먹는데도 계속 살이 빠집니다.” 암 환자의 몸을 서서히 말라가게 하는 치명적인 합병증‘암 악액질(Cancer-associated cachexia)'을 막을 새로운 길이 열렸다. 우리 대학 연구진이 뇌의 신호를 차단해 근육 손실을 막고 생존기간을 늘릴 수 있는 RNA 치료 전략을 개발했다. 우리 대학은 의과학대학원 송민호 교수와 김진국 교수 공동연구팀과 교원창업기업 (주)토르 테라퓨틱스(THOR Therapeutics, 대표 송민호)가 공동연구를 통해 이 뇌에서 식욕과 에너지 소비를 조절하는 핵심 단백질인 GFRAL의 작동을 억제해 암 악액질을 치료할 수 있는 새로운 원리를 규명했다고 2일 밝혔다. 암 악액질은 전체 암 환자의 50~80%에서 발생하는 대표적인 합병증이다. 암세포가 몸의 대사를 교란하면서 음식을 충분히 먹어도 체중과 근육이 계속 줄고 극심한 쇠약을 겪게 된다. 이 때문에 항암 치료 효과가 떨어지고 치료를 중단하는 경우가 많아 생존율까지 낮아지는 주요 원인으로 알려져 있다. 그러나 현재 치료제는 식욕을 일시적으로 높이는 수준에 머물러 근육 손실과 대사 이상을 근본적으로 막는 데는 한계가 있었다. 연구팀은 암 악액질의 원인이 몸이 아닌 뇌에 있다는 점에 주목했다. 특히 암세포가 분비하는 GDF15(Growth Differentiation Factor 15, 암이 진행될 때 많이 분비되는 신호 단백질)가 뇌간의 GFRAL(세포가 신호를 받아들이는 단백질)과 결합하면‘먹지 말고 몸에 저장된 근육과 지방을 쓰라’는 신호가 전달돼 몸이 점점 쇠약해진다는 사실에 착안했다. 이를 막기 위해 연구팀은 김진국 교수 연구팀과 함께 안티센스 올리고뉴클레오타이드(ASO, 특정 유전자의 작동을 선택적으로 막는 RNA 기반 유전자 치료 기술)를 이용해 GFRAL이 만들어지지 않도록 하는 치료제를 개발했다. 쉽게 말해 암세포가 보내는‘몸을 말라가게 하라'는 명령을 받는 스위치를 꺼버린 것이다. 이 치료제는 RNA(유전정보를 단백질로 만드는 중간 전달물질) 단계에서 GFRAL 생성을 막아 암 악액질을 일으키는 신호 자체를 차단한다. 연구팀은 이미 암 악액질이 진행 중인 실험쥐에 이 치료제를 투여했다. 그 결과 근육과 지방 손실이 크게 줄고 무너졌던 대사 기능이 회복됐다. 특히 질환이 상당히 진행된 뒤 치료를 시작했음에도 연구 종료 시점(약 50일) 기준 생존율은 비투여군 20%, Gfral ASO 투여군 90%로 큰 차이를 보여 암 악액질 치료의 가능성을 입증했다. 이번 연구는 식욕만 높이는 기존 치료와 달리 몸을 말라가게 만드는 신호 자체를 차단했다는 점에서 의미가 크다. 근육 손실과 대사 이상을 함께 개선했으며, 앞으로 기존 항암 치료와 병행해 암 환자의 삶의 질은 물론 치료 효과와 생존율까지 높일 수 있는 차세대 항암 보조 치료 전략으로 이어질 것으로 기대된다. 송민호 교수는 "기존 치료제가 식욕을 일시적으로 높이는 데 그쳤다면 이번 연구는 뇌간의 핵심 수용체를 RNA 수준에서 직접 표적해 암 악액질의 근본 원인을 억제했다는 점에서 의미가 크다”며 "후속 비임상 연구와 약물 생산·품질관리 체계를 차질 없이 진행해 2030년 암 환자를 대상으로 한 임상개발에 착수하고, 암 환자의 삶의 질과 생존율을 높일 수 있는 치료제로 개발하는 것이 목표”라고 말했다. 이번 연구는 의과학대학원 홍현정 박사, (주)토르 테라퓨틱스 이민희 박사, 의과학대학원 박민성 박사가 공동 제1저자로 참여했으며, 송민호 교수와 김진국 교수가 공동 교신저자로 참여했다. 연구 결과는 국제 학술지 ‘셀 리포트 메디신(Cell Reports Medicine)’에 7월 27일 게재되었다. ※ 논문명: Therapeutic Gfral silencing via antisense oligonucleotides ameliorates cancer-associated cachexia and extends survival in tumor-bearing mice DOI : https://doi.org/10.1016/j.xcrm.2026.102939 한편, 이번 연구는 한국연구재단 기초연구사업, 이공분야 학술연구지원사업, 한국보건산업진흥원, 중소벤처기업부의 지원을 받아 수행됐다.
2026.08.03 조회수 727
AI가 '안 들리는데 들린다' 우기는 시대 끝낸다 AI가 ‘안 들리는데 들린다’, ‘없는데 있다’고 우기는 시대가 끝난다. 우리 대학 연구진이 AI가 여러 감각 정보를 스스로 구분하고 존재하지 않는 정보를 만들어내는 ‘환각’을 줄이는 핵심 기술을 개발했다. 자율주행차와 로봇, 의료 AI 등 실제 산업 현장에서 더욱 신뢰할 수 있는 멀티모달 AI 구현의 기반이 될 것으로 기대된다. 우리 대학은 전기및전자공학부 노용만 교수 연구팀이 멀티모달 대형 언어모델(MLLM, 텍스트와 이미지·소리 등 여러 정보를 함께 이해하는 AI)의 감각 혼선을 줄이는 두 가지 핵심 기술을 개발했다고 31일 밝혔다. 이번 기술은 카메라와 다양한 센서의 특성을 정확히 이해하도록 하는 기술과 시각·청각 정보가 뒤섞이면서 발생하는 환각을 줄이는 기술로, 별도의 대규모 재학습 없이도 AI의 신뢰성을 크게 높였다. 연구팀이 개발한 첫 번째 기술은 AI가 열화상(Thermal, 물체가 내는 열을 영상으로 보여주는 센서), 깊이 영상(Depth, 물체까지의 거리를 측정하는 센서), 엑스레이(X-ray) 등 다양한 센서가 담고 있는 물리적 의미를 정확하게 이해하도록 돕는 ‘센서 이해 AI’기술(DNA, Diverse Negative Attributes) 최적화 기법이다. 사람은 열화상 화면에서 밝게 보이는 부분이 ‘뜨거운 곳’이라는 것을 알지만, 기존 AI는 이를 일반 사진처럼 해석해 단순한 빛으로 착각하기도 했다. 연구팀은 AI가 열과 거리 등 센서가 측정하는 물리 정보를 이해하도록 새로운 학습 기술을 개발했다. AI가 자주 틀리는 사례를 반복적으로 학습하게 한 결과, 어둠이나 연기 속에서도 사물을 더욱 정확하게 인식할 수 있게 됐다. 두 번째 기술은 시각과 청각 정보가 서로 영향을 주면서 발생하는 환각을 줄이는 ‘감각 혼선 방지' 기술(MAD, Modality-Adaptive Decoding) 기술이다. 예를 들어 CCTV 영상에 자동차가 지나가는 장면이 담겨 있지만 실제로는 소리가 녹음되지 않았을 때, 기존 멀티모달 AI는 자동차가 보인다는 이유만으로‘엔진 소리가 들린다’고 답하는 경우가 있었다. 연구팀은 AI가 먼저 ‘이번 질문은 영상을 보고 판단해야 하는지, 소리를 듣고 판단해야 하는지’를 스스로 구분한 뒤, 더 중요한 감각 정보에 집중하도록 만들었다. 이를 통해 AI를 처음부터 다시 학습시키지 않고도(Training-free) 이러한 감각 혼선과 환각을 효과적으로 줄였다. 또한 연구팀은 AI를 막대한 컴퓨팅 자원으로 처음부터 다시 학습시키는 대신, DNA 기술은 적은 데이터만으로 다양한 센서를 이해하도록 성능을 높이고, ‘감각 혼선 방지' 기술(MAD)은 기존 AI에 프로그램을 추가하듯 바로 적용할 수 있도록 설계했다. 따라서 시간과 비용을 크게 줄이면서도 기존 멀티모달 AI의 신뢰성을 높일 수 있어 산업 현장에 빠르게 적용할 수 있다. 이번 기술은 밤이나 안개 속에서도 보행자와 차량을 정확히 인식해야 하는 자율주행차, 연기로 앞이 보이지 않는 화재 현장에서 생존자를 찾는 구조 로봇, 열화상 카메라를 이용하는 드론 등에 활용될 수 있다. 또한 공항 보안검색에서 엑스레이 영상을 분석하거나, 병원에서 CT·MRI·엑스레이 등 여러 의료영상을 함께 분석하는 AI의 정확성과 신뢰성을 높이는 데도 기여할 것으로 기대된다. 노용만 교수는 "멀티모달 AI가 실제 환경에서 사용되기 위해서는 다양한 센서의 특성을 정확히 이해하고 여러 감각 정보를 혼동하지 않는 것이 중요하다”며 "이번 연구는 대규모 재학습 없이도 AI의 감각 편향과 환각을 줄여 실제 생활과 산업 현장에서 믿고 사용할 수 있는 멀티모달 AI의 기반을 마련했다”고 말했다. 이번 성과는 KAIST 전기및전자공학부 정상윤 박사과정이 두 기술 연구 모두 제1 저자로 참여해 연속성을 빛냈으며, 유영준 박사가 ‘센서 이해 AI' 기술(DNA) 연구에 공동 제1 저자로 참여했다. 관련 논문 중 ‘감각 혼선 방지' 기술(MAD) 연구는 인공지능 컴퓨터 비전 분야 최고 권위 국제학회인 ‘국제 컴퓨터 비전 및 패턴인식 학술대회(CVPR)’에 지난 6월 발표되었다. 또한 ‘센서 이해 AI' 기술(DNA) 연구는 영상처리 분야 최고 국제 학술지인 ‘IEEE Transactions on Image Processing’에 게재가 되었다. ※ 논문명: Enhanced Vision-Language Models for Diverse Sensor Understanding: Cost-Efficient Optimization and Benchmarking, DOI:10.48550/arXiv.2412.20750 ※ 저자 정보: 정상윤 (KAIST, 공동 제1 저자), 유영준 (KAIST, 공동 제1 저자), 김세연 (KAIST, 제3 저자), 지영채 (KAIST, 제4 저자), 노용만(KAIST, 교신저자) ※ 논문명: MAD: Modality-Adaptive Decoding for Mitigating Cross-Modal Hallucinations in Multimodal Large Language Models, DOI:10.48550/arXiv.2601.21181 ※ 저자 정보: 정상윤 (KAIST, 제1 저자), 김세연 (KAIST, 제2 저자), 지영채 (KAIST, 제3 저자), 노용만(KAIST, 교신저자) 한편, 이번 연구는 정보통신기획평가원(IITP) 사람중심인공지능 핵심원천기술 개발사업과 국방과학연구소 인공지능 특화연구센터(CARAI) 과제 등의 지원을 받아 수행되었다.
2026.08.03 조회수 578
AI 스스로 숨은 약점 찾는다…더 안전한 생성형 AI 만든다 튼튼한 성을 만들려면 먼저 약한 곳을 찾아야 한다. 생성형 인공지능(AI)도 마찬가지다. 우리 대학 연구진이 AI의 숨은 취약점을 기존보다 약 7배 더 다양하게 찾아내는 안전성 검증 기술을 개발했다. 더욱 안전하고 신뢰할 수 있는 AI 개발의 기반이 될 것으로 기대된다. 우리 대학은 전기및전자공학부 김준모 교수 연구팀이 대규모 언어모델(Large Language Model, LLM)의 안전성을 검증하는 레드팀(Red Teaming, AI를 의도적으로 공격해 취약점을 찾는 안전성 검증 과정) 기술의 한계를 극복한 새로운 프레임워크 ‘스테이블-지플로우넷(Stable-GFlowNet)'을 개발했다고 30일 밝혔다. 생성형 AI의 레드팀(Red Teaming)은 프로그램을 배포하기 전에 AI가 유해하거나 위험한 답변을 하도록 유도하는 공격 프롬프트(Attack Prompt, AI의 취약점을 시험하기 위한 질문)를 만들어 숨은 약점을 찾아내는 과정이다. 가능한 한 다양한 공격 방법을 찾아낼수록 더 많은 취약점을 사전에 제거할 수 있어, 공격 성공률과 공격 다양성이 모두 중요하다. 기존에는 강화학습(Reinforcement Learning, 보상을 최대화하도록 학습하는 AI 기법)을 이용해 공격 프롬프트를 생성하는 방식이 주로 사용됐다. 하지만 가장 성공률이 높은 한두 가지 공격 방법만 반복적으로 생성하는 모드 붕괴(Mode Collapse, 다양한 결과 대신 일부 결과에만 치우치는 현상)가 자주 발생해 여러 유형의 취약점을 충분히 찾지 못하는 한계가 있었다. 이를 해결하기 위해 생성 흐름 네트워크(Generative Flow Network, GFlowNet, 보상에 비례해 다양한 결과를 생성하도록 학습하는 AI 생성 기술)가 제안됐지만, 학습 과정에서 계산이 복잡하고 불안정하며 의미 없는 문장에도 높은 보상이 주어져 성능이 쉽게 무너지는 문제가 있었다. 연구팀은 이러한 문제를 해결하기 위해 좋은 공격은 더 잘 배우고, 잘못된 공격은 걸러내는 세 가지 핵심 기술을 개발했다. 첫째, 여러 길 가운데 더 나은 길을 비교해 선택하듯, 대조 궤적 균형(Contrastive Trajectory Balance, CTB) 기법을 도입해 계산이 복잡한 과정을 줄이고 학습을 안정화했다. 둘째, 시끄러운 환경에서도 필요한 목소리만 골라 듣듯, 노이즈 경사 가지치기(Noise Gradient Pruning, NGP)를 적용해 불필요한 잡음은 제거하고 중요한 정보만 학습하도록 했다. 셋째, 횡설수설하는 말보다 자연스러운 문장을 우선 평가하듯 유창성 안정화 장치(MKS)를 적용해 사람이 실제 사용할 법한 공격 프롬프트를 생성하도록 유도했다. 그 결과 연구팀이 개발한 스테이블-지플로우넷(Stable-GFlowNet)은 기존 기술이 찾아낸 17개의 고유 공격 유형보다 약 7배 많은 134개의 공격 유형을 발굴하면서도 92%의 높은 공격 성공률을 유지했다. 또한 스테이블-지플로우넷으로 학습한 방어 모델은 서로 다른 공격 기법을 이용해 평가하는 교차 공격(Cross Attack) 시험에서도 다양한 공격을 효과적으로 방어하며 우수한 일반화 성능을 입증했다. 이번 기술은 AI 안전성 검증뿐 아니라 신약 후보 물질을 생성하는 분자 생성(Molecular Generation) 등 다양한 분포 매칭(Distribution Matching) 문제에서도 기존보다 빠르고 안정적인 성능을 보여 범용적으로 활용될 가능성도 확인했다. 김준모 교수는 “이번 기술은 적은 데이터와 잡음이 많은 현실적인 환경에서도 AI의 다양한 취약점을 안정적으로 찾아낼 수 있다는 점에서 의미가 크다”며 “생성형 AI를 실제 서비스에 적용하기 전에 더 폭넓은 위험 요소를 찾아내고 방어할 수 있어, 더욱 안전하고 신뢰할 수 있는 AI 개발의 핵심 기반기술이 될 것으로 기대한다”고 말했다. 이번 연구는 KAIST 전기및전자공학부 권민찬 박사과정이 제1저자로 참여했으며, 인공지능 분야 세계 최고 권위 학회인 '국제머신러닝학회(ICML) 2026'에서 상위 2.2%에 해당하는 스포트라이트(Spotlight) 논문으로 선정되는 쾌거를 이뤘다. ※ 논문명: Stable-GFlowNet: Toward Diverse and Robust LLM Red-Teaming via Contrastive Trajectory Balance,DOI : https://arxiv.org/abs/2605.00553 한편, 이번 연구는 과학기술정보통신부 정보통신기획평가원 SW스타랩 사업의 지원을 받아 수행됐다.
2026.07.30 조회수 793
녹조가 플라스틱 더 빨리 부서지게 한다...미세플라스틱 발생 원리 규명 매년 여름 강과 호수를 초록빛으로 뒤덮는 녹조. 물을 탁하게 만드는 대표적인 수질오염 현상으로 알려져 있지만, 녹조가 버려진 비닐봉지 같은 플라스틱을 더 쉽게 부서지게 만들어 미세플라스틱 발생을 앞당길 수 있다는 사실이 우리 대학 연구진에 의해 처음 밝혀졌다. 이번 연구는 기후변화 시대, 수질오염과 플라스틱 오염을 함께 관리해야 한다는 새로운 방향을 제시했다. 우리 대학은 건설및환경공학과 명재욱 교수 연구팀이 캠퍼스 내 연못에서 채취한 시료를 이용한 생태계 모사 실험을 통해, 녹조현상이 저밀도 폴리에틸렌(Low-density Polyethylene, LDPE·비닐봉지 등에 사용되는 대표적인 플라스틱) 필름 표면의 미생물 생태계를 변화시키고 플라스틱의 초기 풍화(표면이 산화되고 미세한 균열이 생기는 과정)를 촉진한다는 사실을 규명했다고 29일 밝혔다. 이번 연구는 자연환경에서 플라스틱 오염과 녹조를 일으키는 부영양화가 서로 영향을 주고받으며 새로운 생태학적 변화를 유도할 수 있음을 보여줬다는 점에서 의미가 크다. 강과 호수에 버려진 플라스틱은 시간이 지나면 표면에 다양한 미생물이 달라붙어 하나의 작은 생태계를 만든다. 이를 ‘플라스티스피어(plastisphere)’라고 한다. 플라스티스피어는 병원균과 미세플라스틱의 이동에 영향을 미치는 것으로 알려져 있지만, 심각한 수질오염인 녹조가 이 미생물 생태계에 어떤 영향을 미치는지는 거의 밝혀지지 않았다. 이에 연구팀은 햇빛의 양과 영양분 농도를 조절해 인위적으로 녹조를 유도한 미니 생태계(microcosm·자연환경을 실험실 규모로 재현한 실험환경)를 구축했다. 이후 6주 동안 플라스틱 표면에 형성되는 미생물막과 미생물 군집, 그리고 유전자 변화를 정밀 분석했다. 분석 결과, 부영양화(영양염이 과도하게 늘어나 녹조가 발생하는 현상) 환경에서는 남세균(cyanobacteria·대표적인 광합성 세균)과 다양한 일반 세균이 함께 늘어나면서 플라스틱 표면에 더욱 두꺼운 바이오필름(미생물막)을 형성했다. 또한 미생물을 서로 단단히 붙게 하고 플라스틱 표면에 잘 달라붙도록 돕는 점액성 물질인 세포외고분자물질(exopolysaccharide)을 많이 만드는 미생물도 크게 증가한 것으로 나타났다. 이처럼 플라스틱 표면의 미생물 생태계가 달라지면서 플라스틱의 초기 풍화, 즉 표면이 산화되고 미세한 균열이 생기는 과정도 빨라졌다. 연구팀은 플라스틱의 산화와 초기 분해를 돕는 효소를 만드는 유전자를 가진 미생물이 부영양화 환경에서 더 많이 증가한 것을 확인했다. 실제로 적외선 분광기(FTIR)와 주사전자현미경(SEM)으로 분석한 결과, 플라스틱 표면에서는 산소와 반응해 산화된 흔적(카보닐기·하이드록실기)이 늘어났고, 잔금 형태의 미세한 균열도 더 많이 발견됐다. 이는 플라스틱이 더 쉽게 부서질 수 있는 상태로 변화했음을 보여준다. 연구팀은 특정 미생물 한 종이 아니라 광합성 세균과 일반 세균이 함께 이루는 미생물 생태계가 이러한 변화를 이끈 것으로 분석했다. 명재욱 교수는 "이번 연구는 플라스틱 오염과 녹조를 각각의 문제가 아니라 서로 영향을 주고받는 하나의 환경 문제로 바라봤다는 점에서 의미가 크다”며 "기후변화로 녹조가 더욱 빈번해지는 만큼 수질 관리와 폐플라스틱 관리를 함께 고려하는 통합적인 환경관리 전략 수립에 중요한 근거가 될 것으로 기대한다”고 말했다. 이번 연구는 건설및환경공학과 김영주 박사과정생이 제1저자로 참여했으며, 연구 결과는 환경 분야 국제 학술지 ‘워터 리서치(Water Research)’에 2026년 5월 25일자로 게재됐다. ※ 논문명 : Eutrophication drives taxonomic and functional trajectories in plastic-associated biofilms, DOI: 10.1016/j.watres.2026.126183 (저자 정보 : 김영주 (KAIST, 제1 저자), Yijin Wang(HKUST), Wenqian Xu(HKUST), Charmaine C.M. Yung(HKUST), 명재욱(KAIST, 교신저자) 총 5명) 한편, 이번 연구는 과학기술정보통신부 한국연구재단의 우수신진연구사업과 KAIST 그랜드 챌린지 30 사업 (Grand Challenge 30 사업) 재원의 지원을 받아 수행됐다.
2026.07.29 조회수 801

34141 대전광역시 유성구 대학로 291 한국과학기술원(KAIST) T.042-350-2114 F.042-350-2210(2220)

Copyright (C) 2020, Korea Advanced Institute of Science and Technology, All Rights Reserved.