%EB%8C%80%EA%B7%9C%EB%AA%A8
-
챗GPT 등 대형 AI모델 학습 최적화 시뮬레이션 개발
최근 챗GPT, 딥시크(DeepSeek) 등 초거대 인공지능(AI) 모델이 다양한 분야에서 활용되며 주목받고 있다. 이러한 대형 언어 모델은 수만 개의 데이터센터용 GPU를 갖춘 대규모 분산 시스템에서 학습되는데, GPT-4의 경우 모델을 학습하는 데 소모되는 비용은 약 1,400억 원에 육박하는 것으로 추산된다. 한국 연구진이 GPU 사용률을 높이고 학습 비용을 절감할 수 있는 최적의 병렬화 구성을 도출하도록 돕는 기술을 개발했다.
우리 대학 전기및전자공학부 유민수 교수 연구팀은 삼성전자 삼성종합기술원과 공동연구를 통해, 대규모 분산 시스템에서 대형 언어 모델(LLM)의 학습 시간을 예측하고 최적화할 수 있는 시뮬레이션 프레임워크(이하 vTrain)를 개발했다고 13일 밝혔다.
대형 언어 모델 학습 효율을 높이려면 최적의 분산 학습 전략을 찾는 것이 필수적이다. 그러나 가능한 전략의 경우의 수가 방대할 뿐 아니라 실제 환경에서 각 전략의 성능을 테스트하는 데는 막대한 비용과 시간이 들어간다.
이에 따라 현재 대형 언어 모델을 학습하는 기업들은 일부 경험적으로 검증된 소수의 전략만을 사용하고 있다. 이는 GPU 활용의 비효율성과 불필요한 비용 증가를 초래하지만, 대규모 시스템을 위한 시뮬레이션 기술이 부족해 기업들이 문제를 효과적으로 해결하지 못하고 있는 상황이다.
이에 유민수 교수 연구팀은 vTrain을 개발해 대형 언어 모델의 학습 시간을 정확히 예측하고, 다양한 분산 병렬화 전략을 빠르게 탐색할 수 있도록 했다.
연구팀은 실제 다중 GPU 환경에서 다양한 대형 언어 모델 학습 시간 실측값과 vTrain의 예측값을 비교한 결과, 단일 노드에서 평균 절대 오차(MAPE) 8.37%, 다중 노드에서 14.73%의 정확도로 학습 시간을 예측할 수 있음을 검증했다.
연구팀은 삼성전자 삼성종합기술원와 공동연구를 진행하여 vTrain 프레임워크와 1,500개 이상의 실제 학습 시간 측정 데이터를 오픈소스로 공개(https://github.com/VIA-Research/vTrain)하여 AI 연구자와 기업이 이를 자유롭게 활용할 수 있도록 했다.
유민수 교수는 “vTrain은 프로파일링 기반 시뮬레이션 기법으로 기존 경험적 방식 대비 GPU 사용률을 높이고 학습 비용을 절감할 수 있는 학습 전략을 탐색하였으며 오픈소스를 공개하였다. 이를 통해 기업들은 초거대 인공지능 모델 학습 비용을 효율적으로 절감할 것이다”라고 말했다.
이 연구 결과는 방제현 박사과정이 제1 저자로 참여하였고 컴퓨터 아키텍처 분야의 최우수 학술대회 중 하나인 미국 전기전자공학회(IEEE)·전산공학회(ACM) 공동 마이크로아키텍처 국제 학술대회(MICRO)에서 지난 11월 발표됐다. (논문제목: vTrain: A Simulation Framework for Evaluating Cost-Effective and Compute-Optimal Large Language Model Training, https://doi.org/10.1109/MICRO61859.2024.00021)
이번 연구는 정부(과학기술정보통신부)의 재원으로 한국연구재단, 정보통신기획평가원, 그리고 삼성전자의 지원을 받아 수행되었으며, 과학기술정보통신부 및 정보통신기획평가원의 SW컴퓨팅산업원천기술개발(SW스타랩) 사업으로 연구개발한 결과물이다.
2025.03.13 조회수 1256 -
논문 마이닝부터 합성 조건 추천까지, MOF 연구를 혁신하는 대규모 언어 모델
우리 연구진이 챗GPT를 활용해 금속 유기 골격체(Metal-Organic Frameworks, MOFs) 연구 논문에서 실험 데이터를 자동으로 추출하는 데이터 마이닝 툴(이하 L2M3)을 개발했다. L2M3는 MOF의 합성 조건 및 물성 정보를 체계적으로 수집하며, 분류, 정보 식별 및 데이터 추출 작업에서 각각 98.3%, 97.3%, 95.3%의 높은 정확도를 기록했다. 또한, 추출한 데이터를 기반으로 MOF의 합성 조건을 추천하는 시스템을 개발하여 연구자들의 실험 과정 최적화를 지원하고 있어 화제가 되고 있다.
우리 대학 생명화학공학과 김지한 교수 연구팀이 대규모 언어 모델(이하 LLMs) 급격한 발전에 주목하며, 이를 활용을 통해 금속 유기 골격체 문헌에서 MOF의 합성 및 물성 정보를 대량으로 추출하는 데이터 마이닝 툴(L2M3)를 개발했다고 7일 발표했다.
최근 MOF에 대한 연구들이 활발히 진행되어 MOF 실험 데이터가 축적되고 있다. 이에 따라 MOF 연구의 발전을 위해서는 신뢰할 수 있는 실험 데이터 확보가 필수적이며, 특히 논문에 산재한 합성 조건과 물성 정보를 효과적으로 정리하는 것이 큰 과제로 남아 있다. 기존에도 MOF 관련 데이터를 활용하려는 시도가 있었으나, 대부분 일부 특정 특성에 국한되어 있어 있다는 한계점이 존재했다.
김지한 교수 연구팀이 개발한 L2M3는 LLM을 활용하여 쉽고 효율적인 데이터 마이닝 환경을 구축함으로써, 데이터 마이닝에 익숙하지 않은 연구자들도 손쉽게 사용할 수 있는 강력한 도구로의 잠재력을 갖추고 있다.
기존 데이터 마이닝 방식으로는 다양한 특성에 대한 정확한 정보 추출이 어려웠으나, L2M3는 LLM의 자연어 처리 능력을 활용하여 더 정밀한 데이터 추출이 가능하다. 특히, 분류(98.3%)와 정보 식별(97.3%)에서 높은 정확도를 기록했으며, 과정이 복잡하여 정확도 확보가 어려운 데이터 추출 단계에서도 95.3%라는 뛰어난 성능을 보였다.
뿐만 아니라, L2M3는 추출된 합성 조건 데이터를 대규모 언어 모델로 미세 조정해 합성 조건 추천 시스템을 개발하였다. 연구자가 전구체 정보를 입력하면 최적의 합성 조건을 제안하여 실험 과정에서 발생하는 시행착오를 줄이고, MOF 합성을 더욱 효율적으로 수행할 수 있도록 지원한다. 이러한 접근 방식은 MOF 연구뿐만 아니라 다양한 재료 과학 분야에서도 데이터 마이닝과 인공지능을 활용한 연구 패러다임을 새롭게 정의할 수 있는 가능성을 제시하고 있다.
김지한 교수는 “이번 연구는 인공지능을 활용한 재료 과학 연구의 새로운 기준을 제시하는 중요한 진전을 의미한다. L2M3는 방대한 과학 문헌에서 실험 데이터를 체계적으로 수집하고 분석함으로써, 기존 데이터 부족 문제를 해결하고 보다 신뢰성 높은 데이터 기반 연구를 가능하게 한다. 향후 L2M3의 데이터 처리 성능과 합성 조건 추천 모델이 더욱 정교화된다면, MOF뿐만 아니라 다양한 재료 연구에서도 혁신적인 발견을 가속화할 것으로 기대된다.” 라고 말했다.
생명화학공학과 강영훈, 이원석 박사, 배태언 박사과정이 공동 제1 저자로 참여한 이번 연구 결과는 국제 학술지 `미국 화학회지(Journal of the American Chemical Society)'에 지난 1월 21일 게재됐다. (논문명: Harnessing Large Language Models to Collect and Analyze Metal–Organic Framework Property Data Set)
한편 이번 연구는 과학기술정보통신부의 탑-티어 연구기관 간 협력 플랫폼 구축 및 공동연구 지원사업, 한국연구재단(NRF)의 나노 및 소재기술개발사업, 그리고 국가슈퍼컴퓨팅센터의 지원을 받아 수행됐다.
2025.02.07 조회수 1536 -
천 개~수천만 개 이상의 대규모 사물인터넷 동시 통신기술 최초 개발
우리 대학 전기및전자공학부 김성민 교수 연구팀이 세계 최초로 천 개에서 수천만 개에 이르는 대규모 사물인터넷(IoT) 동시 통신을 위한 `밀리미터파 후방산란 시스템'을 개발했다고 28일 밝혔다.
밀리미터파 후방산란 기술은 대규모 통신을 지원하기 위한 기술로 주목받고 있다. 밀리미터파 통신은 30~300기가헤르츠(GHz)의 반송파 주파수 대역을 활용하는 통신으로, 5G/6G 등 표준에서 도입을 준비 중인 차세대 통신 기술이다. 이는 넓은 주파수 대역폭(10GHz 이상)을 확보할 수 있어 높은 확장성을 제공한다.
또한, 후방산란 기술은 기기가 직접 무선 신호를 생성하지 않고 공중에 존재하는 무선 신호를 반사해 정보를 전달하는 방식으로, 무선 신호를 생성하는데 전력을 소모하지 않기 때문에 초저전력 통신을 가능하게 할 수 있는 기술이다. 이는 낮은 설치비용으로 대규모 사물인터넷 기기의 광범위한 인터넷 연결성을 제공할 수 있다.
김성민 교수 연구팀은 밀리미터파 후방산란을 이용해 수천만 개의 사물인터넷 기기들이 실내에 배치된 복잡한 통신 환경에서 모든 신호가 동시에 복조되도록 설계하는 데 성공했다.
전기및전자공학부 배강민 박사과정이 제1 저자로 참여한 이번 연구는 모바일 시스템 분야의 최고 권위 국제 학술대회인 `ACM 모비시스(ACM MobiSys)' 2022에 이번 6월 발표됐으며, 최우수논문상을 수상했다. (논문명: OmniScatter: extreme sensitivity mmWave backscattering using commodity FMCW radar). 이는 작년 우리 대학 전기및전자공학부에서 아시아 대학 최초로 ACM 모비시스 2021 최우수논문상을 받은 이후 연속된 수상으로 더욱 의미가 깊다.
5G/6G 네트워크의 핵심 구성 요소 중 하나인 사물인터넷은 기하급수적인 성장세를 보이고 있으며, 2035년까지 1조 개 이상의 기기가 생산될 전망이다. 대규모 사물인터넷 기기들의 인터넷 연결을 지원하기 위해서 5G, 6G 표준 각각 4G 대비 10배 및 100배의 네트워크 밀도를 지원하는 것을 목표로 하고 있다. 따라서, 대규모 통신을 위한 실용적인 시스템의 필요성이 대두되고 있다.
그러나 현재 밀리미터 후방산란 시스템은 밀리미터파의 높은 주파수에 따른 신호 감쇄와 후방산란 시스템의 반사 손실이 합쳐져 제한적인 환경에서만 통신이 가능하다. 즉, 다양한 장애물과 반사체가 설치된 복잡한 통신 환경에서 작동하지 않아 상대적으로 자유로운 설치가 필요한 대규모 사물인터넷 기기에 광범위한 인터넷 연결성을 제공하는 데 한계가 있다.
연구팀은 FMCW(주파수 변조 연속파) 레이더의 높은 코딩 이득에서 해답을 찾았다. 연구팀은 레이더의 코딩 이득을 그대로 유지하는 동시에, 후방산란 신호와 주변 잡음을 원천적으로 분리해내는 신호 처리 방법을 개발해 기존 FMCW 레이더 대비 십만 배 이상 개선된 수신감도를 달성했다. 이는 실용적인 환경에서의 통신을 지원한다. 더욱이, 연구팀은 태그의 물리적인 위치에 따라 복조된 신호의 주파수가 달라지는 레이더 특성을 활용해 위치에 따라 통신 채널을 자연적으로 할당 받는 후방산란 시스템을 설계했다. 이는 초저전력 후방산란 통신이 10GHz 이상의 밀리미터파 주파수 대역폭을 전부 활용할 수 있게 하여 수천만 사물인터넷 기기들의 동시 통신을 지원한다.
개발된 시스템은 상용 기성품 레이더를 게이트웨이로 활용할 수 있어 적용 용이성이 높다. 또한, 연구팀의 후방산란 기술은 10마이크로와트(μW) 이하의 초저전력으로 작동해 코인 전지 하나로 40년 이상 구동 가능해 설치 및 유지보수 비용을 크게 줄일 수 있다.
연구팀은 다양한 장애물과 반사체가 설치된 사무실 환경에 무작위로 설치된 밀리미터파 후방산란 기기들의 통신이 가능함을 확인했다. 나아가 연구팀은 실험을 통해 총 1,100개의 기기가 송신하는 정보를 동시에 수신하는 것이 가능함을 확인하여 대규모 사물인터넷 구동을 검증했다.
이번 성과는 5G/6G 등 차세대 통신에서 요구하는 네트워크 밀도를 훨씬 웃도는 연결성을 자랑한다. 이에, 이번 시스템은 향후 도래할 초연결 시대를 위한 디딤돌 역할을 할 수 있을 것으로 기대된다.
김성민 교수는 "밀리미터파 후방산란은 대규모로 사물인터넷 기기들을 구동할 수 있는 꿈의 기술이며 이는 기존 어떠한 기술보다도 더욱 대규모의 통신을 초저전력으로 구동할 수 있다ˮ라며 "이 기술이 앞으로 도래할 초연결 시대에 사물인터넷의 보급을 위해 적극적으로 활용되길 기대한다ˮ라고 말했다.
한편 이번 연구는 삼성미래기술육성사업과 정보통신기획평가원의 지원을 받아 수행됐다.
2022.07.28 조회수 7172 -
초대규모 인공지능 모델 처리하기 위한 세계 최고 성능의 기계학습 시스템 기술 개발
우리 연구진이 오늘날 인공지능 딥러닝 모델들을 처리하기 위해 필수적으로 사용되는 기계학습 시스템을 세계 최고 수준의 성능으로 끌어올렸다.
우리 대학 전산학부 김민수 교수 연구팀이 딥러닝 모델을 비롯한 기계학습 모델을 학습하거나 추론하기 위해 필수적으로 사용되는 기계학습 시스템의 성능을 대폭 높일 수 있는 세계 최고 수준의 행렬 연산자 융합 기술(일명 FuseME)을 개발했다고 20일 밝혔다.
오늘날 광범위한 산업 분야들에서 사용되고 있는 딥러닝 모델들은 대부분 구글 텐서플로우(TensorFlow)나 IBM 시스템DS와 같은 기계학습 시스템을 이용해 처리되는데, 딥러닝 모델의 규모가 점점 더 커지고, 그 모델에 사용되는 데이터의 규모가 점점 더 커짐에 따라, 이들을 원활히 처리할 수 있는 고성능 기계학습 시스템에 대한 중요성도 점점 더 커지고 있다.
일반적으로 딥러닝 모델은 행렬 곱셈, 행렬 합, 행렬 집계 등의 많은 행렬 연산자들로 구성된 방향성 비순환 그래프(Directed Acyclic Graph; 이하 DAG) 형태의 질의 계획으로 표현돼 기계학습 시스템에 의해 처리된다. 모델과 데이터의 규모가 클 때는 일반적으로 DAG 질의 계획은 수많은 컴퓨터로 구성된 클러스터에서 처리된다. 클러스터의 사양에 비해 모델과 데이터의 규모가 커지면 처리에 실패하거나 시간이 오래 걸리는 근본적인 문제가 있었다.
지금까지는 더 큰 규모의 모델이나 데이터를 처리하기 위해 단순히 컴퓨터 클러스터의 규모를 증가시키는 방식을 주로 사용했다. 그러나, 김 교수팀은 DAG 질의 계획을 구성하는 각 행렬 연산자로부터 생성되는 일종의 `중간 데이터'를 메모리에 저장하거나 네트워크 통신을 통해 다른 컴퓨터로 전송하는 것이 문제의 원인임에 착안해, 중간 데이터를 저장하지 않거나 다른 컴퓨터로 전송하지 않도록 여러 행렬 연산자들을 하나의 연산자로 융합(fusion)하는 세계 최고 성능의 융합 기술인 FuseME(Fused Matrix Engine)을 개발해 문제를 해결했다.
현재까지의 기계학습 시스템들은 낮은 수준의 연산자 융합 기술만을 사용하고 있었다. 가장 복잡한 행렬 연산자인 행렬 곱을 제외한 나머지 연산자들만 융합해 성능이 별로 개선되지 않거나, 전체 DAG 질의 계획을 단순히 하나의 연산자처럼 실행해 메모리 부족으로 처리에 실패하는 한계를 지니고 있었다.
김 교수팀이 개발한 FuseME 기술은 수십 개 이상의 행렬 연산자들로 구성되는 DAG 질의 계획에서 어떤 연산자들끼리 서로 융합하는 것이 더 우수한 성능을 내는지 비용 기반으로 판별해 그룹으로 묶고, 클러스터의 사양, 네트워크 통신 속도, 입력 데이터 크기 등을 모두 고려해 각 융합 연산자 그룹을 메모리 부족으로 처리에 실패하지 않으면서 이론적으로 최적 성능을 낼 수 있는 CFO(Cuboid-based Fused Operator)라 불리는 연산자로 융합함으로써 한계를 극복했다. 이때, 행렬 곱 연산자까지 포함해 연산자들을 융합하는 것이 핵심이다.
김민수 교수 연구팀은 FuseME 기술을 종래 최고 기술로 알려진 구글의 텐서플로우나 IBM의 시스템DS와 비교 평가한 결과, 딥러닝 모델의 처리 속도를 최대 8.8배 향상하고, 텐서플로우나 시스템DS가 처리할 수 없는 훨씬 더 큰 규모의 모델 및 데이터를 처리하는 데 성공함을 보였다. 또한, FuseME의 CFO 융합 연산자는 종래의 최고 수준 융합 연산자와 비교해 처리 속도를 최대 238배 향상시키고, 네트워크 통신 비용을 최대 64배 감소시키는 사실을 확인했다.
김 교수팀은 이미 지난 2019년에 초대규모 행렬 곱 연산에 대해 종래 세계 최고 기술이었던 IBM 시스템ML과 슈퍼컴퓨팅 분야의 스칼라팩(ScaLAPACK) 대비 성능과 처리 규모를 훨씬 향상시킨 DistME라는 기술을 개발해 데이터베이스 분야 최고 국제학술대회 중 하나인 ACM SIGMOD에서 발표한 바 있다. 이번 FuseME 기술은 연산자 융합이 가능하도록 DistME를 한층 더 발전시킨 것으로, 해당 분야를 세계 최고 수준의 기술력을 바탕으로 지속적으로 선도하는 쾌거를 보여준 것이다.
교신저자로 참여한 김민수 교수는 "연구팀이 개발한 새로운 기술은 딥러닝 등 기계학습 모델의 처리 규모와 성능을 획기적으로 높일 수 있어 산업적 측면에서 파급 효과가 매우 클 것으로 기대한다ˮ 라고 말했다.
이번 연구에는 김 교수의 제자이자 현재 GraphAI(그래파이) 스타트업의 공동 창업자인 한동형 박사가 제1 저자로, 김 교수가 교신저자로 참여했으며 지난 16일 미국 필라델피아에서 열린 데이터베이스 분야 최고 국제학술대회 중 하나인 ACM SIGMOD에서 발표됐다. (논문명 : FuseME: Distributed Matrix Computation Engine based on Cuboid-based Fused Operator and Plan Generation).
한편, 이번 연구는 한국연구재단 선도연구센터 사업 및 중견연구자 지원사업, 과기정통부 IITP SW스타랩 사업의 지원을 받아 수행됐다.
2022.06.20 조회수 7453 -
세계 최대 규모의 3차원 암 게놈 지도 구축
우리 대학 생명과학과 정인경 교수가 한국생명공학연구원 국가생명연구자원정보센터(KOBIC) 이병욱 박사 연구팀과 공동연구를 통해 전 세계 최대 규모의 3차원 암 게놈 지도 데이터베이스를 구축해 공개했다고 28일 밝혔다. (데이터베이스 주소: 3div.kr)
공동연구팀은 인체 정상 조직과 암 조직, 그리고 다양한 세포주 대상 3차원 게놈 지도를 분석 및 데이터베이스화 해, 약 400여 종 이상의 3차원 인간 게놈 지도를 구축했으며, 이를 통해 암세포에서 빈번하게 발생하는 대규모 유전체 구조 변이(structural variation)의 기능을 해독할 수 있는 신규 전략을 제시했다.
정인경 교수, 이병욱 박사가 공동 교신 저자로 참여한 이번 연구 결과는 국제 학술지 `핵산 연구(Nucleic Acid Research)' 저널 11월 27일 字 온라인판에 게재됐다. (논문명 : 3DIV update for 2021: a comprehensive resource of 3D genome and 3D cancer genome)
현재까지 많은 연구를 통해 암세포 유전체에서 발생하는 돌연변이를 규명해 암의 발병 기전을 이해하려는 시도가 있었다. 최근에는 유전자에서 발생하는 점 돌연변이뿐 아니라 대규모 구조 변이에 관한 연구가 활발하게 이루어지고 있으며, 이들을 활용한 신규 암세포의 특이적 유전자 발현 조절 기전 규명의 중요성이 제시되고 있다.
하지만, 대다수의 구조 변이는 DNA가 단백질을 생성하지 않는 비 전사 지역에 존재해, 1차원적 게놈 서열 분석만으로 이들의 기능을 규명하는 데는 한계가 있었다.
한편 지난 10년간 비약적으로 발전한 3차원 게놈 구조 연구는 비 전사 지역에 존재하는 대규모 구조 변이로 인해 생성되거나 소실되는 염색질 고리 구조(chromatin loop)를 3차원 게놈 구조 해독을 통해 규명하면 유전자 조절 기능을 해독할 수 있다는 모델을 제시하고 있다.
이에 정인경 교수 연구팀은 지금까지 공개된 모든 암 유전체의 3차원 게놈 지도를 확보해 전 세계 최대 규모의 3차원 암 유전체 지도를 작성했다. 그리고 대규모 구조 변이와 3차원 게놈 지도를 연결할 수 있는 분석 도구들을 개발했다. 그 결과 연구팀은 대규모 암 유전체 구조 변이에 따른 3차원 게놈 구조의 변화 그리고 이들의 표적 유전자를 규명할 수 있었다.
공동 교신 저자 이병욱 박사는 "최근 세포 내 3차원 게놈 구조 변화가 다양한 질병, 특히 암의 원인이 된다는 것이 밝혀지고 있는데, 이번 연구를 통해 이를 연구할 수 있는 도구들을 세계 최초로 개발했다ˮ라며 "이번 연구 결과를 활용하면 암의 발병 원리를 이해하고 더 나아가 항암제 개발에도 중요한 정보를 제공할 것으로 기대된다ˮ라고 말했다.
정인경 교수는 "암에서 빈번하게 발생하는 대규모 구조 변이의 기능을 3차원 게놈 구조 해독을 통해 정밀하게 규명 가능함을 보여줬다ˮ라며 "이번 연구 결과는 아직 해독이 완벽하게 이루어지고 있지 않은 암 유전체를 정밀하게 해독하는 기술을 한 단계 더 발전시키는 계기가 될 것이다”라고 말했다.
이번 연구는 한국연구재단 기반산업화 인프라 그리고 서경배과학재단의 지원을 통해 수행됐다.
2020.12.28 조회수 51324 -
교수학습혁신센터, 투명 보드 시스템 갖춘 스튜디오 오픈
우리 대학 교수학습혁신센터(센터장 권길헌)는 지난 19일(금) 창의학습관 107호실에 칠판의 뒷면에 서서 앞을 보며 글쓰기가 가능한 ‘정면판서 스튜디오’를 새로 오픈했다.
'정면판서 스튜디오'는 기존의 스튜디오와 달리 교수자의 판서모습을 정면에서 촬영이 가능한 시스템으로, 강의내용을 보다 선명하고 효과적으로 표현할 수 있고, 학습자들과의 지속적인 눈맞춤이 가능한 장점이 있다.
이를 위해 △ 특수코팅 및 가공처리한 판서전용 투명보드 △ 판서의 밝기 및 촬영 제어가 가능한 원터치 컨트롤러 △ 전용 강의녹화 소프트웨어 및 카메라 등이 설치되었다.
이 스튜디오는 양방향 학습시스템인 ‘Education 3.0’ 수업 및 ‘대규모 온라인 공개강좌(MOOC: Massive Online Open Course)’ 등을 위한 강의 콘텐츠 제작에 유용하게 활용될 것으로 기대된다.
시연회는 3월 2일(수) ~ 3월 11일(금) 교내 창의학습관(E11) 107호에서 열린다. 끝.
2016.02.23 조회수 11249 -
매미와 개구리는 지휘자없이 어떻게 합창할까
나무위의 매미와 논두렁의 개구리는 지휘자 없이 어떻게 합창할까? 이와 관련해서, KAIST 바이오 및 뇌공학과의 조광현 교수는 생명체의 동기화된 주기적 진동신호의 생성원리를 최근 규명했다. 나무에 붙어있는 많은 반딧불들의 동시다발적인 깜빡임, 매미들의 조율된 울음소리, 뇌신경세포들간의 전기신호, 세포내 분자들의 농도변화에 이르기까지 생명체는 다양한 형태의 주기적 진동신호 교환을 통해 정보를 전달하는데, 이들은 놀랍게도 정확히 동일한 위상(phase)으로 동기화되곤 한다. 이는 마치 오케스트라에서 지휘자 없이도 모든 연주가 일정한 박자에 맞춰 이루어지는 것과 같다.
어떻게 생명체의 여러 주기적 진동신호들이 그러한 동기화를 이루는가?
우리학교 바이오및뇌공학과 조광현(曺光鉉) 교수 연구팀이 대규모 가상세포(virtual cell)실험을 통해 생명체의 다양한 주기적 진동(oscillation)신호들이 동기화(synchronization)되는 보편적인 원리를 규명했다.
曺교수팀은 이번 연구를 통해 여러 독립적인 주기적 진동신호들은 양성피드백(positive feedback)을 통해 서로의 위상에 영향을 줘 하나의 동일한 위상으로 수렴되는 현상을 밝혀냈다.
특히 양성피드백은 이중활성(double activation) 또는 이중억제(double inhibition)의 구조로 구현된다. 이중활성피드백은 연결시간지연이 짧을 때, 이중억제피드백은 연결시간지연이 길 때 보다 안정적인 신호동기화를 가능하게 했다.
또한, 노이즈(noise) 교란이 있을 때 이중활성피드백은 진동신호의 주기보다 진폭을 안정적으로 유지하는 반면 이중억제피드백은 연결강도에 불규칙한 변화가 주어졌을 때 일정한 주기와 진폭을 유지시켜줬다. 현존하는 대부분의 현상들이 이러한 원칙을 따르고 있었다.
이번에 규명된 원리는 생체내 주기적 진동신호의 동기화가 교란될 때 발생하는 뇌질환 등 여러 질병의 원인을 새롭게 조명하는 계기를 마련할 것으로 기대된다.
이번 연구는 기존 생명과학의 난제에 대해 IT융합기술인 시스템생물학(Systems Biology) 연구를 통해 해답을 제시할 수 있음을 보여줬으며, 향후 생명과학 연구에 있어서 가상세포실험의 무한한 가능성을 제시했다.
曺교수는 “생명체는 복잡하게 얽혀있는 것으로 보이는 네트워크속에 이와 같이 정교한 진화적 설계원리를 간직하고 있었다”며 “이러한 규칙들은 임의로 수많은 디지털 진동자들을 만들어 인공진화를 통해 신호의 동기화 현상을 관측하였을 때에도 마찬가지로 성립된다는 흥미로운 사실을 확인했다”고 말했다.
이 연구는 교육과학기술부가 지원하는 한국연구재단 연구사업의 일환으로 수행되었으며, 연구결과는 세포생물학 분야 권위지인 세포과학저널(Journal of Cell Science) 2010년 1월 26일자 온라인판에 게재됐다.
세포생물학 실험결과만을 출판하는 이 저널에 순수 컴퓨터시뮬레이션만으로 수행된 가상세포실험 연구결과가 게재된 것은 매우 이례적인 일이다.
인터넷주소: http://jcs.biologists.org/cgi/content/abstract/jcs.060061v1
<용어설명>◯ 양성피드백(positive feedback): 서로 연결되어 있는 두 요소 사이에 어느 하나의 변화가 결과적으로 스스로를 동일한 방향으로 더욱 변화시키는 형태의 연결구조.
<사진설명>◯ 설명: A: 서로 상호작용하는 두 생체신호 진동자(oscillator)들의 예시. B: 이중활성 양성피드백으로 연결된 진동자들. C: 이중억제 양성피드백으로 연결된 진동자들. D: 연결강도에 따라 진동신호 동기화에 소요되는 시간. E: 연결강도 증가에 따라 점차 진동신호 동기화가 되어가는 모습의 예시 (좌측의 비동기화 진동신호들이 점차 우측의 동기화된 진동신호들로 변화되어 가는 과정을 나타냄).
2010.02.02 조회수 22522