-
아이처럼 세상의 원리 스스로 배우는 AI 월드모델 개발..ICML 2026 최우수논문상
AI에게 변화 전과 변화 후만 보여줬더니, 다음을 예측하는 것을 넘어 왜 그렇게 변했는지 스스로 원리를 찾아 이해하는 AI가 등장했다. 우리 대학 연구진이 관측만으로 세계의 작동 원리를 스스로 이론화하는 차세대 월드모델(World Model, AI가 세상을 이해하고 예측하기 위해 내부적으로 만드는 세계 모델) 기술을 개발했다.
우리 대학은 전산학부 안성진 교수 연구팀이 AI가 관측한 정보만으로 세계의 작동 원리를 스스로 이론화하도록 하는 새로운 학습 패러다임‘이론화 학습(L2T, Learning-to-Theorize)’을 제안하고, 이를 구현한 신경망 기반 이론 생성 모델 ‘NEO(Neural Theorizer, 네오)’를 개발했다고 27일 밝혔다.
이번 연구는 지난 7월 9일 서울에서 열린 세계 최고 권위의 인공지능 학회 제43회 국제기계학습학회(ICML 2026, International Conference on Machine Learning)에서 구두발표(Oral) 논문으로 선정됐다. 이는 전체 투고 논문 23,918편 가운데 상위 0.7%(168편)에 해당하는 성과다. 또한 구성적 학습 워크숍(Compositional Learning Workshop)에서는 최우수논문상(Best Paper Award)을 수상했다.
인공지능의 월드모델(World Model)은 로봇 제어와 자율주행, 생성형 AI, 자율 에이전트(스스로 판단하고 행동하는 AI) 등 다양한 분야의 핵심 기반기술이다. 지금까지의 월드모델은 주로‘다음에 무엇이 일어날지'를 예측하는 데 초점을 맞춰 왔다. 하지만 다음 장면을 잘 예측하더라도 왜 그런 변화가 일어났는지, 즉 세상의 작동 원리까지 이해하지는 못한다는 한계가 있었다.
연구팀은 이러한 한계를 인간의 학습 방식에서 해결책을 찾았다. 사람은 말을 배우기 전 어린 시절부터 세상이 어떻게 움직이는지에 대한 내부 이론을 스스로 만들며 세상을 이해한다. 연구팀은 이러한 발달인지과학의 관점을 인공지능에 적용해, 미래를 예측하는 AI가 아니라 세상의 원리를 스스로 이해하는 AI를 구현했다.
연구팀이 제안한 L2T(Learning-to-Theorize)는 정답이나 규칙을 미리 알려주지 않는다. 오직‘변화 전'과‘변화 후'의 관측 결과만 제시하면 AI가 그 사이에서 어떤 규칙이 작동했는지를 스스로 찾아낸다. 즉, 기존 AI가‘다음을 맞히는 것'에 집중했다면, 이번 AI는‘왜 그런 변화가 일어났는지'를 이해하도록 만든 것이 핵심이다.
이를 구현하기 위해 연구팀은 NEO(Neural Theorizer, 신경망 기반 이론 생성 모델)도 함께 개발했다. NEO는 관측된 변화 속에 숨어 있는 규칙을 스스로 찾아 이를 실행 가능한 형태의 규칙으로 정리한다. 이렇게 만들어진 규칙은 새로운 상황에서도 자유롭게 조합해 활용할 수 있다.
예를 들어 NEO는 회전(Rotate), 이동(Left·Down), 색칠(Paint)과 같은 기본 규칙을 각각 독립적으로 스스로 학습한다. 이후 학습 과정에서 한 번도 보지 못했던 새로운 조합인‘아래로 이동한 뒤 색을 칠하고 회전하는' 작업이 주어져도, 이미 익힌 기본 규칙들을 조합해 새로운 상황을 설명하고 해결할 수 있다.
반면 기존 AI는 여러 규칙이 섞인 패턴 자체를 통째로 외우는 방식이어서 처음 보는 새로운 조합이 등장하면 성능이 크게 떨어졌다. 연구팀은 다양한 실험을 통해 이번 기술이 구성적 일반화(Compositional Generalization, 기존에 배운 기본 규칙을 조합해 처음 보는 문제까지 해결하는 능력)에서 기존 방식보다 뛰어난 성능을 보였음을 입증했다.
안성진 교수는 "이번 연구는 인공지능(AI)의 세계 이해를 단순한 미래 예측에서 세상의 작동 원리를 스스로 설명하는 단계로 확장한 첫걸음”이라며 “예측 중심의 월드모델을 넘어‘월드 시어리 모델(World Theory Model)'이라는 새로운 방향을 제시했다. 앞으로 지능형 로봇과 자율 에이전트는 물론 과학적 발견을 지원하는 AI 등 다양한 분야의 핵심 기술로 발전할 것으로 기대한다”고 말했다.
이번 연구는 전산학부 백두진 석사과정과 이규빈 석사과정이 공동 제1저자로 참여하였다.
※ 논문명: Learning to Theorize the World from Observation, 논문 링크: https://arxiv.org/abs/2605.03413
※ 저자: Doojin Baek*, Gyubin Lee*, Junyeob Baek, Hosung Lee, Sungjin Ahn (*공동 제1저자) 한편, 해외우수과학자유치사업과 해외우수연구기관 협력허브 구축사업(과기부, 한국연구재단)의 지원을 받아 수행됐다.
2026.07.27
조회수 1556
-
섬유 배열까지 고려한 복합재 성능 예측 기술 개발
항공기와 자동차와 같은 첨단 구조물을 가벼우면서 고성능으로 설계하기 위하여 복합재를 많이 사용하고 있다. 특히 탄소섬유복합재는 금속보다 가벼우면서도 높은 비강도와 비강성을 가져 차세대 경량 구조 소재로 주목받고 있다. 그러나 복합재의 성능은 단순히 재료 자체의 성질만으로 결정되지 않는다. 내부에 배치된 섬유 다발의 방향과 배열, 그리고 제조 과정에서 생기는 미세한 변형이 실제 기계적 성능을 크게 좌우한다.
우리 대학의 기계공학과 김성수 교수 연구팀은 복잡한 형상의 구조물 제작에 널리 활용되는 브레이딩 복합재에서, 제조 중 발생하는 섬유 다발의 배열이 그 패턴과 최종적인 기계적 물성에 미치는 영향을 예측할 수 있는 새로운 해석 모델을 개발했다고 5일 밝혔다. 이 연구는 실제 제조 과정을 반영한 모델을 제시함으로써, 브레이딩 복합재의 성능 예측 정확도를 높일 수 있는 가능성을 보여준다.
브레이딩 공정은 여러 가닥의 섬유 다발을 원통형 금형 주위에 서로 교차시키며 감아 복합재 구조를 만드는 방법이다. 이 공정은 원통형이나 복잡한 형상의 구조물을 연속 섬유로 제작할 수 있다는 장점이 있어 항공·자동차·압력용기 분야에서 활용 가능성이 크다. 특히 Triaxial braided 복합재는 사선 방향의 섬유 다발에 축 방향 섬유 다발이 추가되어, 축 방향 하중을 효과적으로 견딜 수 있는 구조를 갖는다.
하지만 실제 제조 과정에서는 섬유 다발이 항상 이상적인 직선 형태로 배열되지 않는다. 섬유 간 간격이 좁아지거나 서로 맞물리는 현상이 발생하면, 축 방향 섬유 다발이 굽어지는 Tow undulation이 나타난다. 이러한 굽힘은 섬유가 하중을 전달하는 효율을 떨어뜨려, 복합재의 축 방향 강성을 감소시킬 수 있다. 기존 해석 모델들은 대부분 축 방향 섬유가 곧게 배열된 이상적인 구조를 가정했기 때문에, 이러한 실제 제조 과정의 변화를 충분히 설명하는 데 한계가 있었다.
연구팀은 이 문제를 해결하기 위해 브레이딩 구조를 기본 구조와 변형 구조로 구분하고, 두 구조 사이의 전환을 수학적으로 판단할 수 있는 해석 모델을 제안했다. 기본 구조에서는 축 방향 섬유 다발이 거의 직선에 가깝게 배열되지만, 변형 구조에서는 섬유 간 맞물림으로 인해 축 방향 섬유 다발이 주기적으로 굽어진다. 연구팀은 이러한 섬유 경로를 모델에 직접 반영해, 실제 브레이딩 복합재의 내부 구조를 보다 현실적으로 표현했다.
모델의 타당성을 확인하기 위해 연구팀은 서로 다른 지름의 금형을 사용해 브레이딩 복합재 시편을 제작하고, 광학현미경으로 내부 섬유 경로를 관찰했다. 그 결과, 기본 구조에서는 축 방향 섬유가 거의 곧게 유지되는 반면, 변형 구조에서는 축 방향 섬유가 뚜렷하게 굽어지는 현상이 확인됐다. 이는 제안된 모델이 실제 제조 과정에서 나타나는 구조 차이를 잘 반영하고 있음을 보여준다.
또한 연구팀은 제안된 해석 모델을 이용해 다양한 브레이딩 조건에 대한 대규모 데이터를 생성하고, 이를 인공지능 학습에 활용했다. 이후 민감도 분석을 통해 복합재의 탄성계수에 영향을 미치는 주요 형상 인자를 정량적으로 평가했다. 이를 통해 브레이딩 각도, 금형 지름, 섬유 다발 수와 같은 설계 변수가 복합재 물성에 어떤 영향을 미치는지 체계적으로 분석할 수 있었다.
이번 연구는 브레이딩 복합재의 실제 제조 과정에서 발생하는 섬유 배열 변화를 해석 모델에 반영했다는 점에서 의미가 크다. 기존의 이상화된 모델에서 벗어나, 실제 구조 변화와 물성 감소를 함께 설명할 수 있는 기반을 제시했기 때문이다. 연구팀은 이 모델이 향후 항공기, 자동차, 압력용기 등 경량 복합재 구조물의 설계와 성능 예측에 활용될 수 있을 것으로 기대하고 있다.
특히 이 연구는 실험과 해석, 인공지능 기반 데이터 분석을 연결함으로써, 복잡한 브레이딩 복합재 구조를 보다 빠르고 정확하게 평가할 수 있는 가능성을 보여준다. 이는 복합재 제조 공정의 일관성을 높이고, 경량 구조물의 신뢰성 있는 설계에 기여할 수 있는 중요한 기반 기술로 평가된다.
김성수 교수는 “실제 제조 과정에서 발생하는 섬유 배열 변화를 반영한 브레이딩 복합재 해석 모델과 AI 기반 설계 기술을 개발하여, 항공기·자동차용 경량 복합재 구조물의 성능 예측 정확도와 설계 신뢰성을 크게 향상시켰다.”고 말했다.
어드밴스드 컴포짓 앤 하이브리드 머티리얼즈(Advanced Composites and Hybrid Materials, IF 21.8)’에 2026년 5월 22일 자로 온라인 게재되었다.
※ 논문명 : Tow undulation effect on the in-plane mechanical properties of two-dimensional triaxial braided composites
DOI : 10.1007/s42114-026-01859-8
2026.06.05
조회수 1825
-
전 세계 슬럼가 찾아내는 AI 개발..AAAI 2026 최우수논문상
“슬럼(Slum, 빈곤지역)이 어디에 있는지조차 모르는 도시들”
한국 연구진이 위성사진만으로 슬럼 지역을 스스로 찾아내는 인공지능(AI)을 개발했다. 사람이 미리 위치를 표시해 주지 않아도 새로운 도시에서 자동으로 적응해 정확도를 높이는 기술로, 데이터가 부족한 개발도상국의 도시정책 수립과 공공 자원 배분 방식을 근본적으로 바꿀 수 있을 것으로 기대된다.
우리 대학은 전산학부 차미영 교수와 기술경영학부 김지희 교수 공동 연구팀이 전남대학교(총장 이근배) 지리학과 양재석 교수와 함께한 학제 간 융합 연구를 통해 위성사진 기반 범용 슬럼 탐지 AI 기술을 개발했다고 6일 밝혔다.
이번 연구는 세계 최고 권위의 인공지능 학술대회 ‘국제인공지능학회(AAAI) 2026’에서 ‘사회적 임팩트 AI(AI for Social Impact)’ 부문 최우수논문상(Best Paper Award)을 수상했다. 해당 부문에 제출된 693편 중 단 2편만이 선정된 최고 영예로, 한국 연구팀의 혁신적인 AI 기술력이 단순한 기술 진보를 넘어 실질적인 사회적 가치 창출 측면에서도 세계 최정상 수준임을 확인시켜 준 쾌거다.
그동안 위성사진을 활용한 슬럼 탐지 연구는 있었지만, 도시마다 건물 형태와 밀집도가 크게 달라 새로운 지역에서는 정확도가 급격히 떨어지는 한계가 있었다. 특히 많은 개발도상국에서는 슬럼 위치를 일일이 표시한 데이터가 부족해 AI 학습 자체가 어려웠다.
연구팀은 이를 해결하기 위해 여러 개의 AI 모델이 서로 다른 지역 특성을 학습하고, 새로운 도시가 입력되면 가장 적합한 모델을 자동으로 선택하는 ‘전문가 혼합(Mixture-of-Experts, MoE)’ 구조를 도입했다.
이번 연구의 핵심은 ‘테스트 시점 적응(Test-Time Adaptation, TTA)’ 기술이다. 새로운 도시에서 슬럼 위치를 사람이 미리 표시하지 않아도, AI가 여러 모델의 예측 결과를 비교·검증해 공통적으로 일치하는 영역만을 신뢰함으로써 스스로 오류를 줄인다. 이를 통해 데이터가 부족한 지역에서도 안정적인 성능을 확보했다.
연구팀은 해당 기술을 아프리카 캄팔라(Kampala), 마푸토(Maputo) 등 주요 도시에 적용한 결과, 기존 최신 기술보다 더욱 정교하게 슬럼 지역을 구분하는 성과를 확인했다.
이 기술은 △ 개발도상국 도시 인프라 확충 계획 수립 △ 재난·감염병 취약지역 사전 파악 △ 주거환경 개선 사업 대상 선정 △ UN 지속가능발전목표(SDGs) 이행 점검 등 다양한 정책 분야에서 활용될 수 있을 것으로 기대된다.
차미영 교수는 “AI가 단순 분석 도구를 넘어, 데이터가 부족한 지역에서도 실질적인 사회 문제 해결에 기여할 수 있음을 보여준 연구”라고 말했다. 김지희 교수는 “막대한 비용이 드는 현장조사를 보완해, 한정된 자원을 가장 필요한 지역에 효과적으로 배분하는 데 도움이 될 것”이라고 밝혔다.
이번 연구에는 KAIST 전산학부 이수민, 박성원 석박사연구원이 공동 제1저자로 참여했으며, 연구 결과는 1월 25일 싱가포르에서 열린 AAAI 2026에서 발표됐다.
※ 논문명: Generalizable Slum Detection from Satellite Imagery with Mixture-of-Experts, 논문링크 : https://aaai.org/about-aaai/aaai-awards/aaai-conference-paper-awards-and-recognition/
또한, 한국연구재단의 중견연구자지원사업 및 데이터사이언스 융합인재양성사업의 지원을 받아 수행되었다.
2026.03.06
조회수 5258
-
신소재 공학 연구의 새로운 언어가 된‘AI’를 말하다
AI가 스스로 새로운 소재의 구조와 성질을 상상하고 예측하는 시대가 열렸다. 이제 AI는 연구자의 ‘두 번째 두뇌’처럼 아이디어 발굴부터 실험 검증까지 연구 전 과정을 함께 수행한다. 우리 대학과 국제 공동 연구진은 AI가 자율 연구실(Self-driving Lab) 개념을 구현하고, 로봇이 촉매 합성 실험을 수행하는 ‘AI 기반 촉매 탐색 플랫폼’을 통해 신소재 연구의 전 주기 활용 전략을 제시했다.
우리 대학은 신소재공학과 홍승범 교수 연구팀이 미국 드렉셀대학교, 노스웨스턴대학교, 시카고대학교, 테네시대학교와 공동연구를 통해 인공지능(AI)·머신러닝(ML)·딥러닝(DL) 기술이 신소재공학 전반에 미치는 영향을 종합적으로 분석한 리뷰 논문을 국제 학술지 ACS Nano(영향력지수 IF=18.7)에 8월 5일자로 게재했다고 26일 밝혔다.
홍승범 교수 연구팀은 소재 연구를 ‘발견–개발–최적화’의 세 단계로 구분하고, 각 단계에서 AI가 수행하는 역할을 구체적으로 설명했다.
소재 발견 단계에서는 AI가 새로운 구조를 설계하고 물질의 성질을 예측해, 수많은 후보 중 가장 유망한 물질을 신속히 찾아낸다.
개발 단계에서는 실험 데이터를 분석하고 자율 실험 시스템(Self-driving Lab)을 통해 AI가 실험 과정을 자동으로 조정함으로써 연구 기간을 단축한다.
최적화 단계에서는 AI가 시행착오를 거치며 스스로 최적의 조건을 학습하는 ‘강화학습(Reinforcement Learning)’과, 적은 실험으로 가장 우수한 결과를 찾아내는 ‘베이지안 최적화(Bayesian Optimization)’ 기술을 활용해 설계와 공정 조건을 자동으로 조정하고 성능을 높인다.
즉, AI는 수많은 재료 중에서 ‘가장 가능성 있는 후보’를 먼저 골라주고, 실험 과정에서 시행착오를 줄이며, 마지막에는 스스로 실험 조건을 조정해 성능이 가장 좋은 조합을 찾아내는 ‘똑똑한 조수’ 역할을 한다.
논문은 또한 생성형 AI, 그래프 신경망(GNN), 트랜스포머 모델 등 첨단 기술이 AI를 단순한 계산 도구가 아닌 ‘생각하는 연구자’로 변화시키고 있음을 보여준다.
AI는 물리와 화학의 법칙을 스스로 학습해 새로운 소재를 상상하고 예측하며, 연구자의 ‘두 번째 두뇌’처럼 아이디어 제안부터 검증까지 함께 수행한다.
그러나 연구진은 AI가 제시하는 결과가 항상 정답은 아니며, 데이터 품질 불균형, 예측 결과 해석의 어려움, 이질적 데이터 통합 등 여전히 해결해야 할 과제들이 남아 있다고 지적했다.
이에 따라 앞으로는 AI가 물리학적 원리를 스스로 이해하고, 연구자가 그 과정을 투명하게 검증할 수 있는 기술이 함께 발전해야 한다고 강조했다.
논문에서는 또한 연구자가 직접 실험 장비를 조작하지 않아도 AI가 실험 계획을 세우고 결과를 분석해, 다음 실험 방향까지 제안하는 ‘자율 실험실(Self-driving Lab)’과 AI가 촉매 합성 실험을 자동으로 설계·최적화하고 로봇이 수행하는‘AI 기반 촉매 탐색 플랫폼’에 대해 심층적으로 다뤘다.
특히 AI가 촉매 합성과 최적화 과정을 자동으로 수행해 연구 속도를 비약적으로 높이는 사례를 소개하며, 이러한 접근이 배터리 및 에너지 소재 개발로 확장될 가능성을 보여주었다.
홍승범 교수는 “이번 리뷰는 인공지능이 단순한 도구를 넘어 신소재공학 연구의 새로운 언어로 자리 잡고 있음을 보여준다”며, “KAIST 연구진이 제시한 로드맵은 향후 배터리·반도체·에너지 소재 등 국가 핵심 산업 분야 연구자들에게 중요한 길잡이가 될 것”이라고 말했다.
이번 연구에는 신소재공학과 베네딕투스 마디카(Benediktus Madika) 박사과정, 아디티 사하(Aditi Saha) 박사과정, 강채율 석사과정, 바초리그 바얀톡톡(Batzorig Buyantogtokh) 박사과정이 공동 제1저자로 참여했다.
또한 미국 드렉셀대학교 조슈아 아가르(Joshua Agar) 교수, 노스웨스턴대학교 크리스 울버튼(Chris Wolverton) 교수, 피터 부어히스(Peter Voorhees) 교수, 시카고대학교 피터 리틀우드(Peter Littlewood) 교수, 테네시대학교 세르게이 칼리닌(Sergei Kalinin) 교수가 공동저자로 참여했다.
※논문명: Artificial Intelligence for Materials Discovery, Development, and Optimization, DOI: 10.1021/acsnano.5c04200
이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행됐다. (RS-2023-00247245)
2025.10.27
조회수 9700
-
KAIST, 생성 AI 국가 R&D 사업서 핵심기술 개발 주도
KAIST는 산업체의 실질적 기술 수요에 기반한 연구 주제 도출, 고급 AI 인재 양성, 연구 성과의 산업 현장 실증을 통해 AI 기술의 산업 적용(AX, AI Transformation) 전환을 주도하고 있다. 이러한 가운데, KAIST가 과학기술정보통신부 주관 생성AI 국가R&D 사업에서 AI 핵심기술 개발에 나서며, 국내 AI 기술 경쟁력 강화에 앞장서고 있다고 13일 밝혔다.
우리 대학은 이번 ‘생성AI 선도인재양성사업’에서 산업체 주관 2개 과제와 기관 주관 1개 과제 등 총 3개 과제 모두의 공동연구기관으로 선정됨으로써, 생성형 AI의 핵심 기술 개발과 산학협력 기반 실무형 핵심 인재 양성이라는 이중 과제를 함께 수행하게 됐다.
또한 ‘독자 AI 파운데이션 모델 개발’사업에서는 총 5개 컨소시엄 중 4개에 우리 교수진이 핵심 연구진으로 참여해, 명실상부한 국내 생성 AI 연구의 중심 축 역할을 하고 있다.
생성AI 선도인재양성사업에서 각 과제당 67억 원, 독자 AI 파운데이션 모델 개발 사업에서 각 컨소시엄은 GPU 인프라 등 총 2,000억 원 규모의 정부 지원을 받는다.
2028년 말까지 진행되는 ‘생성AI 선도인재양성사업’의 일환으로, 우리 대학은 LG AI연구원과 협력, 전산학부 박노성 교수가 KAIST 책임연구자로 참여해 피지컬(Physical) AI 분야 연구를 수행한다. 이 사업은 물리 법칙에 기반한 이미지·비디오 생성 기술과 세계 모델(World Model) 개발에 집중한다.
특히 AI가 물리 세계의 실제 규칙을 더 정밀하게 학습하도록 설계된 모델 구조를 제안한 연구를 박노성 교수팀과 윤성의 교수팀이 진행하고 있고, 이는 물리 기반 생성형 AI(피지컬 AI)의 핵심 기술로 평가받고 있다.
또한 이 과제에는 AI 분야에서 세계적으로 주목받는 성과를 내고 있는 전산학부 박노성, 이재길, 황지영, 윤성의, 김현우 교수가 공동 참여한다. 이들은 올해 AI 분야 최고 학회인 ICLR, ICRA, ICCV, ICML에서 ▲물리 법칙 기반 올리비에-리치 플로우(Ollivier-Ricci Flow) 연구(ICLR 2025, 박노성 교수) ▲사족보행 로봇의 내비게이션 효율성 향상 기술(ICRA 2025, 윤성의 교수) ▲텍스트-비디오 검색을 위한 멀티모달 대형언어모델(ICCV 2025, 김현우 교수) ▲지식 생성을 위한 구조적 표현 학습(ICML 2025, 황지영 교수) 등을 발표했다.
NC AI와의 협력 사업에서는 전산학부 김태균 교수가 책임연구자로 참여해 멀티모달 AI 에이전트 기술을 개발한다. 3D 모델링, 애니메이션, 아바타 표정 생성, 캐릭터 AI 등 게임 산업 전반에 적용 가능한 기술을 연구한다. 게임 제작 파이프라인을 효율화하여 산업 현장을 경험함으로써 실무형 AI 인재를 육성하는 데 기여할 전망이다.
가상세계와 게임 산업에서 몰입감 있는 아바타 구현의 핵심 기술을 개발하고 있는 책임연구자인 김태균 교수는 3차원 컴퓨터 비전, 생성 AI의 석학으로, 이번 메타와 공동 연구를 통해 개발한 1인칭 시점 전신 동작 확산 모델을 VR·AR 환경에 적용할 것이다.
NC와의 사업에는 전산학부 김태균, 성민혁, 오태현 교수와 문화기술대학원 이성희, 우운택, 노준용, 임경태 교수가 참여한다. 이들은 CVPR 2025와 ICLR 2025에서 ▲ 1인칭 시점 전신 동작 확산 모델(CVPR 2025, 김태균 교수) ▲ 이미지 생성을 위한 확률적 확산 동기화 기술(ICLR 2025, 성민혁 교수) ▲ 대규모 3차원 얼굴 메시 비디오 데이터셋 구축(ICLR 2025, 오태현 교수) ▲ 사물 적응적 에이전트 동작 생성 기술 InterFaceRays (Eurographics 2025, 이성희 교수) ▲ 3차원 뉴럴 얼굴 편집 기술 (CVPR2025, 노준용 교수) ▲ 다국어 시각-언어 모델의 선택적 검색 증강 기술 연구(COLING2025, 임경태 교수) 등 세계적인 성과를 발표한 바 있다.
한국전자기술연구원(KETI) 주관 사업에는 김재철AI대학원 김승룡 교수가 생성AI 기술 개발 등에 참여한다. 김 교수팀은 최근에 어도비 리서치(Adobe Research), 구글 딥마인드(Google DeepMind) 등과 함께 비디오 데이터에서 강인한 점추적 정보를 추출하는 기술을 개발하여 비디오를 명확히 이해하고 생성하는 핵심 기술을 제시했다.
각 산업체 파트너는 우리 대학과 공동 강의를 개설하고 보유한 생성AI 파운데이션 모델을 교육·연구용으로 제공한다. 선발된 우수 학생들은 산업체에 파견되어 실무 중심의 연구를 수행하며, 우리 교수진은 LG AI연구원이 설립한 자체 AI 대학원에서 겸임교수로도 활동할 예정이다.
한편 과기정통부 '독자 AI 파운데이션 모델 개발' 사업에 우리 대학은 4개 컨소시엄에 참여해 독보적인 존재감을 보였다.
NC AI 컨소시엄에서는 전산학부 김태균, 윤성의, 박노성, 황지영, 성민혁 교수가 참여해, 멀티모달 파운데이션 모델(LMM) 및 로봇 기반 모델 개발에 집중한다. 특히 공간·물리·시간 상식을 학습하는 방식의 LMM 개발에 주력한다. 즉, 글·그림·영상·소리 등 다양한 정보를 동시에 이해하고 처리할 수 있는 '만능 AI 두뇌'를 가지고 물리 세계를 이해하고 상호작용할 수 있는 차세대 멀티모달 AI 모델 개발에 최적화된 연구팀을 구성했다.
업스테이지 컨소시엄에는 데이터 AI, NLP(자연언어) 각 분야 석학인 전산학부 이재길, 오혜연 교수와 LLM 전문가인 문화기술대학원 임경태 교수가 참여해 금융, 법률, 제조 등 산업별 버티컬 모델 개발을 담당한다. 우리 대학 연구진은 산업 현장에서 바로 적용 가능하고 각 산업에 맞는 실용적 AI 모델 개발에 집중한다.
네이버 컨소시엄에는 멀티모달 학습, 조합적 언어시각 모델에 핵심기술을 가진 전산학부 오태현 교수, 언어 모델을 사용하여 비디오 추론, 생성 방법론을 제시한 김현우 교수와, 김재철AI대학원 및 전자과 교수진이 공동 참여한다.
SKT 컨소시엄에는 텍스트-이미지 생성, 인간 선호도 모델링, 시각적 로봇 조작 기술 개발에서 탁월한 성과를 보이는 김재철AI대학원 이기민 교수가 참여한다. 이 기술은 통신사의 개인화 서비스와 맞춤형 AI 솔루션 개발에 핵심적 역할을 할 것으로 전망된다.
이번 성과는 KAIST가 추진해 온 산업 수요 기반 연구와 현장 실증 중심의 AI 기술 개발 전략이 결실을 맺은 것으로 평가된다.
우리 대학 이광형 총장은 "AI 기술이 학문적 성과를 넘어 산업과 연결되고 실용화되기 위해서는 정부의 지속적 지원과 산학협력 중심의 연구·교육이 핵심”이라며 "KAIST는 앞으로도 산업 현장의 문제를 해결하고 AI 생태계 경쟁력을 높이는 실질적 기여에 힘쓸 것”이라고 밝혔다.
또한 이번 독자 파운데이션 모델 개발 사업에서 KAIST 주관기관으로 지원됐던 김재철AI대학원 황성주 교수 주도의 프로젝트는 아쉽게도 최종 선정에는 이르지 못했지만, 독창적인 접근과 과감한 시도가 돋보인 의미 있는 도전으로 평가받고 있다. 이 총장은 “선정 여부와 관계없이 이러한 시도가 축적되며 대한민국 AI 생태계를 더욱 풍요롭게 만들 것”이라고 덧붙였다.
2025.08.13
조회수 11742
-
암 표적 돌연변이에 최적의 약물 후보 자동 설계 AI 개발
기존 약물 개발 방식은 질병을 일으키는 원인이 되는 표적 단백질(예: 암세포 수용체)을 정하고, 그 단백질에 잘 달라붙어 작용을 막을 분자(약물 후보)를 찾는 방식으로 수많은 후보 분자 대상으로 진행하다 보니 시간·비용이 많이 들고 성공 가능성도 낮았다. 우리 대학 연구진이 표적 단백질 정보만 있으면, 사전 정보(분자)가 없어도 딱 맞는 약물 후보를 설계해 주는 AI를 개발해서 신약 개발의 새로운 가능성을 열었다.
우리 대학 화학과 김우연 교수 연구팀이 결합하는 약물 후보 분자의 사전 정보 없이 단백질의 구조만으로, 그에 꼭 맞는 약물 후보 분자와 그 결합 방식(비공유 결합성 상호작용)까지 함께 설계 및 최적화까지 할 수 있는 인공지능 모델 ‘BInD’를 개발했다고 10일 밝혔다.
이 기술의 핵심은 ‘동시 설계’다. 기존 AI 모델들은 분자만 만들거나, 만들어진 분자와 단백질의 결합 여부만 따로 평가했다. 반면, 이번에 개발된 모델은 분자와 단백질 사이의 결합 방식까지 함께 고려해 한 번에 설계한다.
실제로 단백질과 결합할 때 중요한 요소를 미리 반영하기 때문에, 효과적이고 안정적인 분자를 만들 확률이 훨씬 높다. 이러한 생성 과정은 단백질의 표적 부위에 맞춰 원자들의 종류와 위치, 공유결합과 상호작용을 하나의 생성 과정에서 동시에 만들어내는 과정을 시각적으로 보여준다.
또한, 이 모델은 신약 설계 시 반드시 고려해야 할 여러 요소(예를 들어 분자의 안정성, 물성, 구조의 자연스러움 등)을 동시에 만족시키도록 설계됐다. 기존에는 한두 가지 목표에 집중해 다른 조건을 희생하는 경우가 많았지만, 이번 모델은 다양한 조건을 균형 있게 반영해 실용성을 크게 높였다.
연구팀은 이 AI가 무작위 상태에서 점점 더 정교한 구조를 그려나가는 방식인 ‘확산 모델’을 기반으로 작동한다고 설명했다. 확산 모델은 2024 노벨 화학상을 받은 ‘알파폴드3’의 단백질-약물 구조 생성에서 활용돼 높은 효율성이 입증된 바 있다.
이번 연구에서는 원자가 공간상 어디에 있어야 하는지 좌표를 찍어주는 알파폴드3와 달리 ‘결합 길이’나 ‘단백질-분자 간 거리’처럼 실제 화학 법칙에 맞는 기준들을 알려주는 지식 기반 가이드를 넣어, 생성된 구조가 더 현실적인 결과를 내도록 도왔다.
뿐만 아니라, 연구팀은 한 번 만든 결과 중에서 뛰어난 결합 패턴을 찾아 다시 활용하는 최적화 전략도 적용했다. 이를 통해 추가 학습 없이도 더 뛰어난 약물 후보를 만들어낼 수 있었으며, 특히 암 관련 표적 단백질(EGFR)의 돌연변이에 선택적으로 작용하는 분자도 생성하는 데 성공했다.
또한, 이번 연구는 본 연구팀이 앞서 발표한 단백질에 어떤 분자가 어떻게 결합하는지에 대한 조건을 입력해야만 했던 기존 AI를 한 단계 더 발전시켰다는 점에서도 의미가 깊다.
화학과 김우연 교수는 “이번에 개발한 AI는 표적 단백질에 잘 결합하는 핵심 요소를 스스로 학습하고 이해해, 사전 정보 없이도 상호작용 하는 최적의 약물 후보인 분자를 설계할 수 있다는 점에서 신약 개발의 패러다임을 크게 바꿀 수 있을 것이다”라고 말했다.
이어 “이번 기술은 화학적 상호작용 원리에 기반해 더 현실적이고 신뢰할 수 있는 분자 구조를 생성할 수 있어, 더 빠르고 정밀한 신약 개발을 가능하게 할 것으로 기대한다”라고 강조했다.
우리 대학 화학과 이중원, 정원호 박사과정 학생이 공동 제1 저자로 참여한 이번 연구 결과는 국제학술지 ‘어드밴스드 사이언스(Advanced Science)’(IF=14.1)에 지난 7월 11일 자에 게재됐다.
※ 논문명: BInD: Bond and Interaction-Generating Diffusion Model for Multi-Objective Structure-Based Drug Design
※ DOI: 10.1002/advs.202502702
한편 이번 연구는 한국연구재단과 보건복지부의 지원으로 수행됐다.
2025.08.10
조회수 6777
-
6만 편 논문 대신할 ‘한번의 실험’으로 약물 저해효과 정확 예측
기존 신약 개발에서는 수많은 농도 조건에서 반복 실험을 거쳐 약물 간 상호작용을 분석하고, 저해상수를 추정하는 방식이 사용돼 왔다. 이 방법은 지금까지 6만 편 이상의 논문에 활용될 만큼 널리 쓰였다. 그런데 최근, 학부생이 제 1저자로 참여한 국내 연구진이 단 하나의 저해제 농도만으로 저해상수를 정확히 추정할 수 있는 획기적인 분석법을 제안해 주목을 받고 있다.
우리 대학 수리과학과 김재경 교수 연구팀(IBS 의생명 수학 그룹 CI)이 충남대(총장 김정겸) 약대 김상겸 교수팀과 기초과학연구원(원장 노도영, IBS) 의생명수학그룹과 공동연구를 통해, 단 하나의 실험으로 약물 저해 효과*를 예측할 수 있다고 26일 밝혔다.
*약물 저해 효과: 한 약물이 특정 효소의 작용을 억제함으로써 다른 약물의 대사(분해 및 처리 과정) 또는 생리학적 효과에 영향을 주는 현상
공동 연구팀은 수학적 모델링과 오차 지형 분석을 통해 정확도 향상에 기여하지 않는 저해제 농도를 제거하고, 단 하나의 농도만으로도 저해상수를 정확하게 추정할 수 있는 새로운 분석법 ‘50-BOA’를 제안했다. 이 기법을 실제 실험 데이터에 적용한 결과, 기존보다 75% 이상 실험 효율이 향상됐으며, 정확도 역시 개선됐다.
이번 연구는 반복 실험에 따른 자원 소모를 줄이고 해석의 편차를 최소화함으로써, 신약 개발 과정의 효율성을 높일 수 있는 새로운 접근법을 제시했다는 점에서 큰 의의가 있다. 또한, 수학적 접근이 생명과학 실험 설계를 어떻게 혁신할 수 있는지를 보여주는 대표적인 성과로 평가된다.
저해상수는 약물 효과뿐 아니라, 병용 투여 시 발생할 수 있는 약물상호작용을 예측하고 방지하는 데 핵심적인 지표로 활용된다. 실제로 미국 식품의약국(FDA)은 신약 개발 과정에서 약물상호작용의 가능성을 예측하기 위해 저해상수를 포함한 효소의 저해 특성을 사전에 평가할 것을 권고하고 있다.
전통적으로 저해상수는 다양한 기질 및 저해제 농도에서 측정된 대사 속도 데이터에 수학 모델을 적합해 추정해왔다. 그러나 이러한 방식에도 불구하고, 동일한 기질-저해제 조합에 대해 연구마다 추정값이 10배 이상 차이나는 사례들이 보고돼, 신약 개발 과정에서 약물의 효과와 부작용을 정확히 예측하는 데 어려움이 있었다.
연구팀은 저해상수 추정 과정을 수학적으로 분석한 결과, 기존 방식에서 활용되는 데이터의 절반 이상이 실제 추정에 불필요하거나, 오히려 왜곡을 초래할 수 있음을 밝혀냈다.
즉, 저해제 농도를 다양하게 사용하는 기존 방식보다, 충분히 높은 저해제 농도 하나에서 추정한 결과가 더 정확하고 효율적일 수 있다는 점을 규명한 것이다. 나아가 저해제 농도와 저해상수 간의 관계를 나타내는 식을 정칙화로 추가해, 정확도를 더욱 높인 새로운 분석법, ‘50-BOA’를 개발했다.
50-BOA는 단 하나의 저해제 농도만으로도 저해상수를 정확하게 추정할 수 있어, 실험 횟수를 크게 줄이면서도 오히려 정확도를 높인 획기적인 기법이다. 연구팀은 이 방법을 실제 약물 데이터에 적용해, 기존보다 75% 이상 적은 데이터만으로도 저해상수를 정확하게 추정해냈다.
또한, 누구나 쉽게 활용할 수 있도록 엑셀 기반의 사용자 친화적인 분석 소프트웨어도 개발자 플랫폼인 깃허브(https://github.com/Mathbiomed/50-BOA)에 함께 공개했다.
충남대 김상겸 교수는 “이번 연구는 수십 년간 정형화된 약물 실험 설계를 근본적으로 재검토하게 만들었다”며, “단순한 실험 효율 향상을 넘어, 약효와 부작용 예측의 정확도를 높일 수 있는 새로운 표준이 될 것으로 기대한다”고 밝혔다.
또한, 우리 대학 김재경 교수는 “수학이 실험 설계를 바꾸고, 생명과학 분야의 연구 효율성과 재현성을 근본적으로 높일 수 있음을 보여주는 대표적 사례다”고 밝혔다.
이번 연구 논문은 우리 대학 융합인재학부 장형준 학사과정과 수리과학과 송윤민 박사가 공동 제1 저자로 참여하였고 국제 학술지 네이처 커뮤니케이션즈(Nature Communications)에 2025년 6월 5일 자에 게재됐다.
※ 논문명 : Optimizing enzyme inhibition analysis: precise estimation with a single inhibitor concentration
※ 저자 정보 : 장형준 (KAIST 융합인재학부, 공동 제1 저자), 송윤민 (IBS 의생명수학그룹 (전 KAIST 수리과학과 소속), 공동 제1저자), 전장수(충남대 약대, 연구교수, 공동저자), 윤휘열(충남대 약대, 교수, 공동저자), 김상겸(충남대 약대, 교수, 교신저자), 김재경 (KAIST 수리과학과, 교신저자)
※ DOI: https://doi.org/10.1038/s41467-025-60468-z
한편 이번 연구는 한국연구재단, 기초과학연구원, KAIST의 지원을 받아 수행됐다.
2025.06.16
조회수 9038
-
저렴한 촉매로 간단하게 항생제 만드는 전략 개발
자연에 풍부한 탄화수소를 원료로 페니실린 등 항생제를 합성할 수 있는 새로운 촉매가 나왔다. 우리 대학 화학과 장석복 특훈교수(기초과학연구원 (IBS) 분자활성 촉매반응 연구단장) 연구팀은 서상원 전(前) 기초과학연구원 차세대 연구 리더(現 DGIST 화학물리학과 교수)와의 협업으로 경제적인 니켈 기반 촉매를 이용해 탄화수소로부터 항생제 원료물질인 ‘카이랄 베타-락탐’을 합성하는 화학반응을 개발했다.
1928년 영국의 생물학자인 알렉산더 플레밍은 푸른곰팡이에서 인류 최초의 항생제인 페니실린을 발견했다. 이후 1945년 영국 화학자 도로시 호지킨이 베타-락탐으로 불리는 고리 화합물이 페니실린을 구성하는 주요 구조임을 밝혀냈다. 베타-락탐은 탄소 원자 3개와 질소 원자 1개로 이루어진 고리 구조(4원환 구조)로 페니실린 외에도 카바페넴, 세팔렉신과 같은 주요 항생제의 골격이기도 하다.
페니실린 구조 규명 덕분에 인류는 베타-락탐 계열의 항생제를 화학적으로 합성할 수 있게 됐다. 하지만 80여 년이 지난 지금도 베타-락탐 합성에는 해결해야 할 과제가 있다. 베타-락탐은 카이랄성(거울상 이성질성)을 지닐 수 있는데, 구성하는 원소의 종류나 개수가 같아도 완전히 다른 성질을 내는 두 유형의 거울상 이성질체가 존재한다는 것이다.
대부분의 시판 베타-락탐 의약품은 유용성을 가진 유형만 선택적으로 제조하기 위해 합성과정에서 카이랄 보조제를 추가로 장착시킨다. 합성 단계가 복잡해지고, 제조 단가가 높아질 뿐만 아니라 보조제 제거를 위해 추가로 화학물질을 투입해야 해서 폐기물이 발생한다는 단점이 있다.
장석복 교수 연구팀은 2019년 탄화수소로부터 합성 가능한 다이옥사졸론과 새로 개발한 촉매를 이용해 카이랄 감마-락탐을 합성하는 데 최초로 성공했다(Nature Catalysis). 당시 5원환 구조인 감마-락탐은 카이랄 선택적으로 합성했지만, 4원환 구조의 베타-락탐을 합성하지는 못했다. 또, 이 반응을 위해서는 값비싼 이리듐 촉매를 써야 한다는 한계도 있었다.
베타-락탐은 감마-락탐보다 더 쓰임이 많지만, 합성에 많은 에너지가 필요해 더 제조가 까다롭다. 이번 연구에서는 상대적으로 저렴하고, 풍부하게 존재하는 니켈 촉매를 이용하여 제조가 까다로운 베타-락탐을 카이랄 선택적으로 합성하는 데 성공했다. 시판 공정에서는 항생제 합성에 필요한 베타-락탐 원료를 8단계에 거쳐 합성했지만, 연구진이 제시한 촉매반응은 보조제 장착 및 제거 과정이 필요 없어 약 3단계 정도로 절차를 대폭 단축할 수 있다. 게다가, 원료물질에 비해 합성된 물질은 시장 가치가 700배가량 높아 고부가가치를 창출할 수 있다.
서상원 교수는 “니켈과 다이옥사졸론의 반응 과정에서 생기는 니켈-아미도 중간체가 베타 위치의 탄소와 선택적으로 반응하여 원하는 베타-락탐 골격을 얻을 수 있다”이라며 “두 유형의 카이랄 베타-락탐 중 한쪽만을 95% 이상의 정확도로 골라 선택적으로 합성할 수 있음을 보여줬다”고 말했다.
한편, 연구진은 천연물 등 복잡한 화학 구조의 물질에 베타-락탐 골격을 높은 정확도로 도입하는 데도 성공했다. 기존 의약품 합성 전략보다 간단하게 후보 약물이 될 새로운 물질을 합성할 수 있다는 의미다.
연구를 이끈 장석복 교수는 “페니실린, 카바페넴과 같은 주요 항생제의 골격인 카이랄 베타-락탐을 손쉽게 합성해냈다”며 “유용 물질의 합성과정을 간소화해 산업에 이바지하는 동시에 신약 개발을 위한 다양한 후보물질 발굴도 견인할 것”이라고 말했다.
연구결과는 8월 25일(한국시간) 화학 분야 권위지인 ‘네이처 카탈리시스(Nature Catalysis, IF 37.8)’ 온라인판에 실렸다.
2023.08.25
조회수 14641
-
차세대소형위성2호 초기 교신 성공
우리 대학 인공위성연구소(소장 한재흥)에서 개발한 차세대소형위성2호가 지난 5월 25일 18시 24분에 발사된 누리호에서 안전하게 분리되어 목표 궤도에 성공적으로 안착하였으며, 같은날 19시 58분 대전 KAIST 지상국과 최초 교신에 성공했다.
차세대소형위성2호의 최초 비콘 신호는 누리호 발사 후 약 40분 만인 25일 저녁 7시 4분경 항공우주연구원의 남극 세종기지 안테나를 통해 수신할 예정이었으며, 실제로는 7시 7분에 수신이 확인되었다. 위성 발사 후 약 94분 만인 25일 저녁 7시 58분경 대전 KAIST 지상국과 최초 교신에 성공했다.
이후, 남극 세종기지에서 비콘 신호를 2차례 더 확인했고, 스웨덴 보덴 지상국과 대전 KAIST 지상국에서 8차례 교신을 수행하면서 차세대소형위성2호의 통신시스템과 자세제어시스템, 전력시스템, 탑재 컴퓨터 등의 기능을 점검했다.
특히, 국내 우주핵심기술 연구개발 성과물로 차세대소형위성2호의 자세제어시스템에 처음 적용된 반작용휠과 광학자이로의 기능을 점검하고, 차세대소형위성2호 태양전지판이 태양을 바라보는 자세제어와 고속데이터 송신을 위해 안테나를 지상국으로 지향하는 자세제어 기능을 확인했다.
또한, 태양전지판과 태양전력조절기, 리튬이온 배터리 등 차세대소형위성2호의 전력시스템을 점검해, 태양전지판에서 안정적으로 생성된 약 256W의 전력을 통해 위성 배터리가 만충전 상태를 유지하고 있는 것을 확인했다.
차세대소형위성2호는 중점임무인 영상레이더 기술검증과 지구관측, 우주과학임무인 근지구궤도 우주방사선 관측, 그리고 4종의 국내 개발 핵심기술에 대한 우주검증을 수행할 예정이다.
영상레이더는 광학카메라와 달리 빛과 구름의 영향을 받지 않아, 주야간 및 악천후에도 지상 관측이 가능하다. 순수 국내 기술로 개발된 차세대소형위성2호의 X-대역 영상레이더는 해상도 5m, 관측폭 40km의 레이더 영상을 획득을 목표로 한다.
우주방사선 관측기는 근지구 궤도의 중성자·하전입자에 대한 정밀 선량 지도를 작성하고, 태양활동 상승 주기의 우주방사선 변화에 따른 우주환경 영향과 근지구 궤도의 중성자 가중치를 연구하는 데 활용된다.
아울러 산·학·연에서 국산화한 위성핵심기술 4종(①상변환 물질을 이용한 열제어장치, ②X-대역 GaN기반 전력증폭기, ③GPS·Galileo 복합항법수신기, ④태양전지배열기)에 대한 우주검증도 함께 수행된다.
차세대소형위성2호는 약 3개월의 초기 운영 기간 동안 위성 본체 및 탑재체에 대한 기능을 상세히 점검한 후, 계획된 영상레이더에 대한 기술검증•지구관측, 우주방사선 관측 및 핵심기술 검증의 정상적인 임무를 약 2년간 수행할 예정이다.
위성 발사 후 1주일 동안 위성 본체 및 탑재체에 대한 기초적인 상태 점검을 수행하고, 발사 후 1개월까지 위성 본체에 대한 세부 기능을 상세히 점검한 뒤, 발사 후 3개월까지 모든 탑재체에 대한 세부 기능점검을 완료함으로써 향후 정상 임무를 위한 위성 상태 최적화를 수행할 예정이다. 이광형 KAIST 총장은 "우리별 1호부터 30여 년간 축적해온 소형위성 개발과 운영 경험을 바탕으로 차세대소형위성2호의 임무를 성공적으로 완수하여 우리나라 소형위성 기술 수준을 한 단계 높일 수 있을 것으로 기대한다"라고 밝혔다.
2023.05.26
조회수 15781
-
실제 약물로 개발되는 단백질-리간드 상호작용 예측 인공지능 모델 개발
우리 대학 연구진이 물리화학적 아이디어를 인공지능 딥러닝에 접목해 기존의 방법보다 일반화 성능이 높은 단백질-리간드 상호작용 예측 모델을 개발했다. 리간드란 수용체와 같은 큰 생체 분자에 특이적으로 결합하는 물질을 말하며, 생체 내의 중요한 요소이자 의약품의 개발 등에 큰 역할을 한다.
화학과 김우연 교수 연구팀이 교원창업 인공지능 신약 개발 스타트업 HITS 연구진과 함께 물리 기반 삼차원 그래프 심층 신경망을 이용해 일반화 성능을 높인 단백질-리간드 상호작용 예측 모델을 개발했다고 17일 밝혔다.
약물 후보 분자를 발굴하기 위해서 타깃 단백질과 강하게 결합하는 리간드를 찾는 것이 중요하다. 하지만 유효 물질을 찾기 위해 수백만에서 수천만 개의 무작위 리간드 라이브러리를 대상으로 실험 전수 조사를 수행하는 것은 천문학적인 시간과 비용이 필요하다. 이러한 시간과 비용을 절감하기 위해 최근 단백질-리간드 상호작용 예측에 기반한 가상탐색(virtual screening) 기술이 주목받고 있다.
기존의 상호작용 예측 인공지능 모델들은 학습에 사용한 구조에 대해서는 높은 예측 성능을 보여주지만, 새로운 단백질 구조에 대해서는 낮은 성능을 보이는 과적합(over-fitting)이 문제가 됐다. 과적합 문제는 일반적으로 모델의 복잡도에 비해 데이터가 적을 때 발생한다. 이번 연구는 이러한 과적합 문제를 해결함으로써 다양한 단백질에 대해 고른 성능을 보여주는 예측 모델을 개발하는데 주안점을 뒀다.
연구진은 물리화학적 아이디어들을 딥러닝 모델에 적용해 모델의 복잡도를 줄임과 동시에 물리 시뮬레이션을 통해 부족한 데이터를 보강함으로써 과적합 문제를 해결하고자 하였다. 단백질 원자와 리간드 원자 사이의 거리에 따른 반데르발스 힘, 수소 결합력 등을 물리화학적 방정식으로 모델링하고, 매개변수를 딥러닝으로 예측함으로써 물리 법칙을 만족하는 예측을 가능하게 했다.
또한, 학습에 사용한 단백질-리간드 결정 구조가 실험적으로 판명된 가장 안정한 구조임에 착안했다. 부족한 실험 데이터를 보강하기 위해 불안정한 단백질-리간드 구조로 이루어진 수십만 개의 인공 데이터를 생성해 학습에 활용했고, 그 결과 생성된 구조에 비해 실제 구조를 안정하게 예측하도록 모델을 학습할 수 있었다.
연구진은 개발된 모델의 성능을 검증하기 위해 대조군으로 `CASF-2016 벤치마크'를 활용했다. 이 벤치마크는 다양한 단백질-리간드 구조들 사이에서 실험적으로 판명된 결정 구조에 근접한 구조를 찾는 도킹과 상대적으로 결합력이 큰 단백질-리간드 쌍을 찾는 스크리닝 등 실제 약물을 개발하는 과정에 필수적인 과제를 포함하고 있다. 검증 테스트 결과 기존에 보고된 기술에 비해 높은 도킹 및 스크리닝 성공률을 보여줬으며, 특히 스크리닝 성능은 기존에 보고된 최고 성능 대비 약 두 배 높은 수치를 보였다.
연구진이 개발한 물리 기반 딥러닝 방법론의 또 다른 장점은 예측의 결과를 물리적으로 해석 가능하다는 것이다. 이는 딥러닝으로 최적화된 물리화학 식을 통해 최종 상호작용 값을 예측하기 때문이다. 리간드 분자 내 원자별 상호작용 에너지의 기여도를 분석함으로써 어떤 작용기가 단백질-리간드 결합에 있어서 중요한 역할을 했는지 파악할 수 있으며, 이와 같은 정보는 추후 약물 설계를 통해 성능을 높이는 데 직접 활용할 수 있다.
공동 제1 저자로 참여한 화학과 문석현, 정원호, 양수정(현재 MIT 박사과정) 박사과정 학생들은 "데이터가 적은 화학 및 바이오 분야에서 일반화 문제는 항상 중요한 문제로 강조돼왔다ˮ며 "이번 연구에서 사용한 물리 기반 딥러닝 방법론은 단백질-리간드 간 상호작용 예측 뿐 아니라 다양한 물리 문제에 적용될 수 있을 것ˮ이라고 말했다.
한국연구재단의 지원을 받아 수행된 이번 연구는 국제 학술지 `Chemical Science(IF=9.825)' 2022년 4월 13호에 표지 논문 및 `금주의 논문(Pick of the Week)'으로 선정됐다. (논문명 : PIGNet: a physics-informed deep learning model toward generalized drug–target interaction predictions, 논문 링크 : https://doi.org/10.1039/D1SC06946B)
2022.05.17
조회수 23170
-
저전력·고속 터널 전계효과 트랜지스터 개발
물리학과 조성재 교수 연구팀이 기존의 금속 산화물 반도체 전계효과 트랜지스터(metal-oxide-semiconductor field-effect transistor, MOSFET) 대비 작동전력 소모량이 10배 이상, 대기전력 소모량이 1만 배 가까이 적은 저전력, 고속 트랜지스터를 개발했다.
조 교수 연구팀은 2차원 물질인 흑린(black phosphorus)의 두께에 따라 밴드갭이 변하는 독특한 성질을 이용해 두 물질의 접합이 아닌 단일 물질의 두께 차이에 의한 이종접합 터널을 제작하는 데 성공했다. 이러한 단일 물질의 이종접합을 터널 트랜지스터에 활용하면 서로 다른 물질로 제작한 이종접합 트랜지스터에서 발생했던 격자 불균형, 결함, 계면 산화 등의 문제를 해결할 수 있어 고성능 터널 트랜지스터의 개발이 가능하다.
김성호 연구원이 1 저자로 참여한 이번 연구는 국제 학술지 ‘네이처 나노테크놀로지 (Nature Nanotechnology)’ 1월 27일 자 온라인판에 게재됐다. (논문명 : Thickness-controlled black phosphorus tunnel field-effect transistor fro low-power switches).
무어 법칙에 따른 트랜지스터 소형화 및 집적도 증가는 현대의 정보화 기술을 가능하게 했지만 최근 트랜지스터의 소형화가 양자역학적 한계에 다다르면서 전력 소모가 급격히 증가해 이제는 무어 법칙에 따라 트랜지스터 소형화가 진행되지 못하는 상황이다. 최근에는 자율주행차, 사물인터넷 등의 등장으로 많은 양의 데이터를 저전력, 고속으로 처리할 수 있는 비메모리 반도체의 기술 발달이 시급히 요구되고 있다.
트랜지스터의 전력 소모는 크게 작동 전력 소모와 대기 전력 소모로 나뉜다. 작동 전력과 대기 전력을 같이 낮추기 위해서는 트랜지스터의 작동 전압과 대기 상태 전류를 동시에 낮추는 것이 필수적이다. 이를 위해서는 전류를 10배 증가시키는데 필요한 전압으로 정의되는 SS 값(subthreshold swing, 단위: mV/decade = mV/dec)의 감소가 필요한데, 금속 산화물 반도체 전계효과 트랜지스터에서는 SS 값이 상온에서 60 mV/dec 이하로 낮아질 수 없다. 이를 해결하기 위해서는 상온에서 SS 값을 60 mV/dec 이하로 낮출 수 있는 새로운 트랜지스터의 개발이 필요하다. 이전에 개발되었던 낮은 SS를 가지는 저전력 터널 트랜지스터의 경우 트랜지스터 채널을 구성하는 두 물질의 이종접합 계면에서 산화막 등의 문제가 발생하여 작동 상태에서 낮은 전류를 가지는 문제가 있었다. 작동 상태 전류는 트랜지스터 작동속도에 비례하기 때문에, 낮은 작동 상태 전류는 저전력 트랜지스터의 경쟁력을 떨어뜨린다.
조 교수 연구팀이 적은 전력소모를 위한 낮은 SS 값과 고속 작동을 위한 높은 작동 상태 전류를 단일 트랜지스터에서 동시에 달성한 것은 유례없는 일로 2차원 물질 기반의 저전력 트랜지스터가 기존의 금속 산화물 반도체 전계효과 트랜지스터의 전력 소모 문제를 해결하고, 궁극적으로 기존 트랜지스터를 대체하고 미래의 저전력 대체 트랜지스터가 될 수 있음을 의미한다. 조성재 교수는 “이번 연구는 기존의 어떤 트랜지스터보다 저전력, 고속으로 작동해 실리콘 기반의 CMOS 트랜지스터를 대체할 수 있는 저전력 소자의 필요충분조건을 최초로 만족시킨 개발이다”라며 “대한민국 비메모리 산업뿐 아니라 세계적으로 기초 반도체 물리학 및 산업 응용에 큰 의의를 지닌다”라고 말했다.
이번 연구는 한국연구재단 미래반도체신소자원천기술개발사업의 지원을 받아 수행됐다.
2020.02.20
조회수 28310
-
김상현 교수, 6만 ppi 초고해상도 디스플레이 제작기술 개발
〈 김상현 교수 연구팀(왼쪽 위 두번째 김상현 교수) 〉
우리 대학 전기및전자공학부 김상현 교수 연구팀이 반도체 공정 기술을 활용해 기존 마이크로 LED 디스플레이의 해상도 한계를 극복할 수 있는 6만 ppi(pixel per inch) 이상의 초고해상도 디스플레이 제작 가능 기술을 개발했다.
금대명 박사가 1 저자로 참여한 이번 연구는 국제학술지 ‘나노스케일(Nanoscale)’ 12월 28일자 표지 논문으로 게재됐다. (논문명 : Strategy toward the fabrication of ultrahigh-resolution micro-LED displays by bonding interface-engineered vertical stacking and surface passivation).
디스플레이의 기본 단위인 LED 중 무기물 LED는 유기물 LED보다 높은 효율, 높은 신뢰성, 고속성을 가져 마이크로 크기의 무기물 LED를 픽셀 화소로 사용하는 디스플레이(마이크로 LED 디스플레이)가 새로운 디스플레이 기술로 주목받고 있다.
무기물 LED를 화소로 사용하기 위해서는 적녹청(R/G/B) 픽셀을 밀집하게 배열해야 하지만, 현재 적색과 녹색, 청색을 낼 수 있는 LED의 물질이 달라 각각 제작한 LED를 디스플레이 기판에 전사해야 한다. 따라서 마이크로 LED 디스플레이에 관련한 대부분 연구가 이런 패키징 측면의 전사 기술 위주로 이루어지고 있다.
그러나 수백만 개의 픽셀을 마이크로미터 크기로 정렬해 세 번의 전사과정으로 화소를 형성하는 것은 전사 시 사용하는 LED 이송헤드의 크기 제한, 기계적 정확도 제한, 그리고 수율 저하 문제 등 해결해야 할 기술적 난제들이 많아 초고해상도 디스플레이에 적용하기에는 한계가 있다.
연구팀은 문제 해결을 위해 적녹청 LED 활성층을 3차원으로 적층한 후, 반도체 패터닝 공정을 이용해 초고해상도 마이크로 LED 디스플레이에 대응할 수 있는 소자 제작 방법을 제안함과 동시에 수직 적층시 문제가 될 수 있는 색의 간섭 문제, 초소형 픽셀에서의 효율 개선 방안을 제시했다.
연구팀은 3차원 적층을 위해 기판 접합 기술을 사용했고, 색 간섭을 최소화하기 위해 접합 면에 필터 특성을 갖는 절연막을 설계해 적색-청색 간섭 광을 97% 제거했다.
이러한 광학 설계를 포함한 접합 매개물을 통해 수직으로 픽셀을 결합해도 빛의 간섭 없이 순도 높은 픽셀을 구현할 수 있음을 확인했다. 연구팀은 수직 결합 후 반도체 패터닝 기술을 이용해 6만 ppi 이상의 해상도 달성 가능성을 증명했다.
또한, 초소형 LED 픽셀에서 문제가 될 수 있는 반도체 표면에서의 비 발광성 재결합 현상을 시간 분해 광발광 분석과 전산모사를 통해 체계적으로 조사해 초소형 LED의 효율을 개선할 수 있는 중요한 방향성을 제시했다.
김상현 교수는 “반도체 공정을 이용해 초고해상도의 픽셀 제작 가능성을 최초로 입증한 연구로, 반도체와 디스플레이 업계 협력의 중요성을 보여주는 연구 결과이다”라며 “후속 연구를 통해 초고해상도 미래 디스플레이의 기술 개발에 힘쓰겠다”라고 말했다.
이번 연구는 한국연구재단 이공분야 기초연구사업 기본연구, 기후변화대응기술개발사업 등의 지원을 받아 수행됐다.
□ 그림 설명
그림 1. 1um 크기를 가진 마이크로 단일 LED 가 실제로 배열된 모습을 보여주는 이미지, 1 um, 0.6 um 크기를 가진 LED를 광 여기 방법을 통해 적색 발광이 되는 모습을 보여주는 이미지(작은 사진). 이는 작아진 LED에서도 적색 발광특성이 잘 발현됨을 보여줌.
그림 2. 나노스케일 커버 이미지: 본 제작 방법의 사용 예시를 보여줌
2020.01.06
조회수 27655