%eb%8d%b0%ec%9d%b4%ed%84%b0
-
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 2475 -
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 2334 -
적은 데이터로도 정밀 동작 구현하는 로봇 AI 개발
좁은 틈에 부품을 끼우고 작은 버튼을 누르는 사람의 손재주를 로봇이 적은 데이터만으로도 배울 수 있게 됐다. 우리 대학 연구진이 작업 상황에 따라 스스로 움직임의 정밀도를 조절하는 로봇 인공지능 기술을 개발했다. 기존 최고 성능 모델보다 작업 성공률을 최대 81% 높인 이번 기술은 정밀 제조와 의료 분야 로봇의 활용 범위를 크게 넓힐 것으로 기대된다.
우리 대학은 전산학부 박대형 교수 연구팀이 적은 양의 동작 데이터만으로도 사용자가 원하는 정밀도에 맞춰 움직임을 세밀하게 생성하는 다중 정밀도 조작 모델 ‘디스포(DiSPo)'를 개발했다고 24일 밝혔다.
기존의 로봇 인공지능은 사람이 움직이는 모습을 매우 짧은 시간 간격으로 기록한 방대한 양의 데이터를 학습해야 정밀한 작업을 수행할 수 있었다. 예를 들어 나사를 조이거나 좁은 틈에 부품을 끼워 넣는 작업을 배우려면 수많은 동작 데이터를 세밀하게 수집해야 했기 때문에 시간과 비용이 많이 들었다.
연구팀은 이러한 한계를 극복하기 위해 로봇이 움직임의 변화를 스스로 예측하면서 다양한 행동을 학습할 수 있는 인공지능 기술을 개발했다. 특히 작업 상황에 따라 동작을 더 세밀하게 나누거나 크게 조절할 수 있는 기능을 새롭게 도입했다.
연구팀은 시간에 따른 변화를 효율적으로 학습하는 상태공간모델 '맘바(Mamba)'와 다양한 행동을 생성하는 확산모델(Diffusion Model)을 결합해 이러한 기능을 구현했다.
이를 통해 로봇은 적은 양의 데이터로 학습하더라도 실제 작업을 수행할 때는 움직임을 더 작은 단위로 나눠 정교하게 동작할 수 있다. 즉, 사람이 비교적 간단하게 시범을 보여줘도 로봇이 필요에 따라 스스로 동작을 세분화해 정밀한 작업을 수행할 수 있게 된 것이다.
연구팀이 개발한 디스포는 시뮬레이션 환경에서 기존 최고 성능 모델 대비 최대 81% 높은 작업 성공률을 기록했다. 또한 실제 협동로봇을 이용한 실험에서는 반경 2.5mm에 불과한 좁은 틈에 부품을 끼워 넣고 스마트폰의 작은 셔터 버튼을 정확히 누르는 고난도 작업을 안정적으로 수행했다. 이는 기존 인공지능 모델보다 최대 4배 높은 성공률이다.
이번 기술은 정밀 부품 조립, 케이블 연결, 의료 수술, 정밀 가공 등 높은 정확성이 요구되는 다양한 산업 분야에 적용될 수 있을 것으로 기대된다. 특히 적은 데이터만으로도 고정밀 로봇을 학습시킬 수 있어 로봇 개발 비용을 크게 낮추고 제조·의료·서비스 산업의 자동화를 앞당기는 데 기여할 전망이다.
박대형 교수는 "이번 연구는 로봇이 적은 양의 데이터만으로도 정교한 동작을 학습하고 작업 상황에 따라 스스로 정밀도를 조절할 수 있음을 보여준 사례"라며 "앞으로 데이터 수집 비용을 획기적으로 줄이면서도 정밀 제조와 의료 등 다양한 산업 현장에서 활용할 수 있는 범용 로봇 학습 기술로 발전시켜 나가겠다"고 말했다.
이번 연구는 김재철 AI대학원 오나영 석사과정생이 제1 저자로 주도하였으며, 6월 1일 오스트리아 비엔나에서 열리는 로봇공학 세계 최고 권위 학술대회인 ‘국제 로봇 및 자동화 학술대회(ICRA 2026)’에서 발표되었다.
※ 논문명: DiSPo: Diffusion-SSM based Policy Learning for Coarse-to-Fine Action Discretization, DOI: https://doi.org/10.48550/arXiv.2409.14719
※ 저자 정보: 오나영 (KAIST 김재철AI대학원, 제1 저자), 장재형 (KAIST 전산학부, 공저자), 정문경 (KAIST 로봇공학학제전공, 공저자), 박대형 (KAIST 전산학부, 교신저자)
한편, 이번 연구는 과학기술정보통신부와 정보통신기획평가원(IITP)의 ‘복합지능 자율행동체 SW 핵심기술 개발 사업’의 일환으로 ‘자율행동체의 복합작업 자율 수행을 위한 임무 수행 절차 생성 기술 개발’ 과제를 통해 수행되었다. 이 외에도 정보통신기획평가원의 ‘글로벌 AI 프론티어랩 사업’과 산업통상자원부의 기술혁신프로그램의 지원을 받았다.
2026.06.24 조회수 2286 -
AI 데이터센터 전력문제 해결한다...차세대 광변조기 개발
인공지능(AI) 서비스의 폭발적인 성장으로 데이터센터의 전력 소모와 데이터 전송 병목 문제가 급증하는 가운데, 한국 연구진이 이를 해결할 수 있는 차세대 광통신 핵심 소자인 광변조기(전기 신호를 빛 신호로 바꿔 데이터를 전송하는 장치) 기술을 개발했다. 이번 성과는 더 적은 전력으로 더 많은 데이터를 전송할 수 있게 해 미래 AI 데이터센터의 핵심 기반 기술이 될 것으로 기대된다.
우리 대학은 전기및전자공학부 김상현 교수 연구팀이 한국과학기술연구원(KIST, 원장 오상록) 한재훈 박사, 한국나노기술원(KANC, 원장 변대석) 김종민 박사 및 삼성전자 패키징사업부와의 협업을 통해 서로 다른 반도체 소재의 장점을 결합한 차세대 광변조기를 개발했다고 23일 밝혔다.
AI 데이터센터에서는 수많은 서버와 반도체 칩이 대용량 데이터를 실시간으로 주고받는다. 이 과정에서 광변조기의 성능은 데이터 전송 속도와 전력 효율을 결정하는 핵심 요소다. 그러나 기존 실리콘 기반 광변조기는 높은 발열과 온도 변화에 취약했고, 효율을 높이면 속도가 떨어지고 속도를 높이면 효율이 감소하는 한계를 안고 있었다.
연구팀은 이러한 문제를 해결하기 위해 온도 변화에 강한 마하-젠더(Mach-Zehnder) 구조(빛의 경로 차이를 이용해 신호를 제어하는 광소자 구조)를 유지하면서도, 실리콘 도파로(빛이 지나가는 통로) 위에 전기·광학적 반응성이 뛰어난 인화물계 반도체(InGaAsP·빛과 전기에 민감하게 반응하는 화합물 반도체) 박막을 결합했다. 이는 기존 실리콘 위에 빛을 더 민감하게 제어할 수 있는 특수 반도체 소재를 덧붙인 것으로, 소자 크기는 줄이면서도 빛 신호를 더욱 효율적으로 제어할 수 있게 했다.
그동안 학계에서는 이 구조를 사용할 경우 효율을 높이면 전하가 쌓여 구동 속도가 느려지는 상충 관계가 있었다. 연구팀은 소자 내부의 충전 용량을 줄여 속도를 높이는 공핍(Depletion) 모드 구동(소자 내부 전하를 줄여 동작 속도를 높이는 방식)과, 전압이 가해질 때 물질의 빛 흡수 특성이 변하는 프란츠-켈디시(Franz-Keldysh) 효과(전기장을 가하면 빛 흡수 특성이 변하는 현상)를 결합해 이러한 한계를 극복했다.
그 결과 머리카락 굵기보다 수십 배 작은 500 마이크로미터(μm) 길이의 초소형 소자에서 세계 최고 수준의 변조 효율(적은 전력으로 빛 신호를 얼마나 효과적으로 제어할 수 있는지를 나타내는 지표, 0.146 V·cm)과 고속 구동 대역폭(데이터를 얼마나 빠르게 처리할 수 있는지를 나타내는 지표, 26.3 GHz)을 동시에 달성하는 데 성공했다. 이는 더 적은 전력으로 더 많은 데이터를 빠르게 전송할 수 있음을 의미하며, AI 데이터센터의 에너지 효율과 데이터 처리 성능을 동시에 높일 수 있는 수준의 성과다.
이번 연구는 AI 데이터센터가 직면한 전력 소비 증가와 데이터 전송 병목 문제를 해결할 수 있는 현실적인 기술을 제시했다는 점에서 의미가 크다. 특히 소형화와 저전력 특성을 바탕으로 차세대 데이터센터용 광통신 칩과 공동 패키지 광학(Co-Packaged Optics, CPO·반도체 칩과 광통신 부품을 하나의 패키지에 통합하는 기술)의 핵심 부품으로 활용될 것으로 기대된다.
또한 광변조기의 효율과 속도 사이의 한계를 극복해 두 성능을 동시에 향상시킨 성과로, 차세대 AI 데이터센터와 초고속 광통신 시스템 구현에 중요한 전환점이 될 것으로 평가된다.
김상현 교수는 “인공지능 시대의 핵심 인프라인 데이터센터의 전력 소모와 데이터 전송 병목 현상을 해결하기 위해 실리콘 포토닉스(Si Photonics·반도체 칩 위에 광회로를 구현하는 기술), 마이크로 발광다이오드(Micro-LED·초소형 고효율 광원) 등 다양한 광소자 기술을 개발해 왔다. 이번 성과는 광변조기의 효율과 속도를 동시에 높인 것으로, 차세대 AI 데이터센터와 초고속 광통신 시스템에 활용될 수 있을 것으로 기대한다”고 말했다.
본 연구는 KAIST 전기및전자공학부 강동길 박사과정이 제1저자로 연구를 주도했으며, 연구 성과는 반도체 소자 분야 세계 최고 권위 학회 중 하나인 'VLSI 심포지엄(VLSI Symposium on Technology and Circuits)'에서 지난 6월 17일 발표됐다.
※ 논문명 : Depletion-Mode III-V/Si SISCAP Mach-Zehnder Modulator Breaking the Efficiency-Bandwidth Trade-Off for Co-Packaged Optics,
Abstract Link: https://vlsi26.mapyourshow.com/8_0/sessions/session-details.cfm?scheduleid=202
※ 저자 정보 : 강동길(제1저자, KAIST), 이신형(KAIST), 한재훈(KIST), 김종민(KANC), 안석근(삼성전자), 정민혁(삼성전자), 정현철(삼성전자), 김상현(KAIST)
한편 이번 연구는 한국연구재단 중견연구자지원사업, 박사과정생연구장려금지원사업 및 삼성전자의 지원을 받아 수행됐다.
2026.06.23 조회수 2905 -
AI 환각 줄이고 정확도 78% 높였다... 차세대 데이터베이스 기술 개발
기업의 방대한 데이터를 읽고 이해하는 AI 에이전트의 가장 큰 약점은 ‘환각(Hallucination·사실과 다른 정보를 그럴듯하게 생성하는 현상)'이다. 우리 대학 연구진이 문서와 데이터, 개체 간 관계를 한 번에 이해할 수 있는 차세대 데이터베이스 기술을 개발해 AI 답변 정확도를 최대 78% 높이고 처리 속도는 최대 20배 향상시키며 기업용 AI 상용화의 핵심 난제 해결에 나섰다.
우리 대학은 전산학부 김민수 교수 연구팀이 교원창업기업인 (주)그래파이와 협력하여 벡터 DB, 그래프 DB, 관계형 DB 기능을 하나의 데이터베이스 관리 시스템(DBMS)에 통합한 차세대 데이터베이스 기술 '아카식DB(AkasicDB)'와 이를 기반으로 한 새로운 검색증강생성(RAG, Retrieval-Augmented Generation) 기법 '옴니RAG(Omni RAG)'를 개발했다고 19일 밝혔다.
아카식DB는 벡터 DB(문서나 이미지의 의미를 숫자 벡터로 변환해 유사한 정보를 찾는 DB), 그래프 DB(사람·기업·제품 등 개체 간 관계를 저장·분석하는 DB), 관계형 DB(표 형태의 데이터를 체계적으로 관리하는 전통적인 DB)의 기능을 하나의 데이터베이스 관리 시스템(DBMS, Database Management System·데이터를 저장·관리·검색하는 소프트웨어)에서 통합 실행할 수 있도록 설계됐으며, 이를 기반으로 개발된 옴니RAG는 문서의 의미 정보와 개체 간 관계, 구조화된 데이터를 동시에 활용해 생성형 AI의 답변 정확도를 높인다.
최근 AI 에이전트는 기업이 보유한 방대한 문서와 전문 지식을 검색한 뒤 이를 바탕으로 답변을 생성하는 RAG 기술을 기반으로 빠르게 확산되고 있다. 그러나 실제 기업 데이터는 문서, 표, 개체 간 관계 등 다양한 형태로 분산돼 있어 AI가 이를 종합적으로 이해하고 활용하기 어렵다. 이 때문에 AI가 충분한 근거 없이 사실과 다른 답변을 생성하는 환각 문제가 발생하며, 이는 기업용 AI 확산을 가로막는 핵심 과제로 꼽혀 왔다.
기존 RAG는 사용자의 질문과 문서를 벡터로 변환한 뒤 의미적으로 유사한 문서를 검색해 대규모언어모델(LLM, Large Language Model·방대한 데이터를 학습해 인간과 유사한 언어를 생성하는 AI 모델)에 제공하는 방식이 일반적이다. 이러한 방식은 비정형 문서 검색에는 효과적이지만, 문서 속 개체 간 관계나 특정 기간·유형·범위와 같은 구조화된 조건을 함께 고려해야 하는 복합 질의에는 한계가 있었다.
예를 들어 "작년에 체결된 계약서 중 A사와 관련된 조항을 찾고, 해당 조항이 어떤 제품 공급 이슈와 연결되는지 설명해 달라"는 질의는 문서 의미를 찾는 벡터 검색, 개체 간 관계를 탐색하는 그래프 검색, 날짜와 유형을 필터링하는 관계형 질의가 동시에 필요하다. 기존 시스템에서는 이를 위해 여러 종류의 데이터베이스를 별도로 구축하고 응용프로그램 계층에서 결과를 결합해야 했기 때문에 관리 복잡성과 응답 지연이 발생했다.
연구팀은 이러한 문제를 해결하기 위해 벡터 유사도 검색, 그래프 탐색, 관계형 필터링을 하나의 질의와 실행 계획 안에서 통합 수행하는 옴니RAG를 제안했다. 옴니RAG는 문서의 의미 정보, 지식 그래프의 관계 정보, 표 형태 데이터의 구조적 조건을 동시에 활용해 보다 정확한 근거를 찾아내고 AI의 환각 현상을 크게 줄인다.
이를 지원하기 위해 개발된 아카식DB는 그래프 DB, 벡터 DB, 관계형 DB를 하나의 엔진으로 통합한 새로운 구조를 채택했다. 사용자는 벡터 검색, 그래프 탐색, 관계형 필터링이 결합된 복합 RAG 질의를 하나의 SQL/GQL* 질의문으로 표현할 수 있으며, 아카식DB는 이를 단일 실행 계획으로 최적화해 처리한다.
*SQL/GQL(구조화 질의어/그래프 질의어) : 데이터베이스에 저장된 정보를 검색하거나 수정하기 위한 명령 언어다. SQL은 표 형태의 데이터를 다루는 전통적인 언어이며, GQL은 사람·기업·제품 등 개체 간 연결 관계를 분석하기 위해 사용되는 그래프 데이터 전용 언어다.
이러한 통합 구조를 통해 아카식DB는 불필요한 중간 결과 생성과 데이터 이동을 최소화해 LLM의 토큰 사용량을 크게 줄이고 응답 지연시간도 단축한다. 실험 결과 기존 시스템에서 최대 21.3초가 소요되던 복합 검색 질의를 1초 이내로 처리해 최대 20배 이상의 성능 향상을 달성했다. 또한 옴니RAG는 기존 RAG 대비 답변 정확도를 최대 78% 향상시키는 것으로 나타났다. 이는 기업용 AI 에이전트의 핵심 과제인 환각 문제를 크게 완화할 수 있음을 보여준다.
김민수 교수는 "AI 에이전트가 기업의 방대한 데이터를 정확하게 이해하고 활용하기 위해서는 벡터, 그래프, 관계형 데이터를 하나의 시스템에서 통합 처리할 수 있는 데이터 인프라가 필수적"이라며 "아카식DB는 AI 에이전트 시대를 위한 차세대 데이터베이스 기술로, 국방·제조·금융·법률·과학기술 등 고도의 신뢰성이 요구되는 분야에서 핵심 데이터 인프라로 활용될 것으로 기대한다"고 말했다.
이번 연구에는 KAIST 전산학부 이건호 박사과정생이 제1저자로 참여하였으며, 연구 성과는 지난 6월 2일, 데이터베이스 분야 최고 권위 국제학술대회인 ACM SIGMOD 2026에서 데모 논문으로 발표되어, 학회 현장에서 글로벌 기업 및 연구자들로부터 뜨거운 관심을 받았다.
※ 논문명 : AkasicDB: Demonstrating Omni RAG with a Unified Vector-Graph-Relational DBMS, DOI: https://doi.org/10.1145/3788853.3801609
※ 저자 정보 : 이건호 (KAIST, 제1 저자), 박정호, 한동형 ((주)그래파이, 공동 저자) 김민수 교수 (KAIST, 교신저자)
※ 시연 동영상: https://www.youtube.com/watch?v=KD6MznZ61P4
2026.06.19 조회수 3183 -
AI 데이터센터 냉각 전력 10분의 1로 줄인다
‘전력 먹는 하마'로 불리는 AI 데이터센터의 냉각 전력을 10분의 1 수준으로 줄일 수 있는 기술이 나왔다. 우리 대학 연구진은 반도체 칩 내부에 머리카락보다 가는 물길을 새겨 넣는 초고효율 액체 냉각 기술을 개발해 AI 반도체의 최대 난제로 꼽히는 발열 문제 해결 가능성을 제시했다.
우리 대학은 기계공학과 김성진 교수팀과 AX학과 이익진 교수팀이 공동연구를 통해 기존 매니폴드 마이크로채널(MMC, Manifold MicroChannel) 냉각 기술의 한계를 극복하고, 반도체 칩 내부에 매니폴드(manifold·냉각수를 여러 경로로 나누어 공급·회수하는 구조)와 마이크로채널(microchannel·머리카락보다 가는 미세 물길)을 결합한 초고효율 액체 냉각 기술을 개발했다고 16일 밝혔다.
AI 반도체의 성능이 높아질수록 칩에서 발생하는 열량도 빠르게 증가하고 있다. 그러나 기존 공랭 방식만으로는 차세대 AI 반도체에서 발생하는 열을 효과적으로 제거하기 어려워지고 있다. 이에 따라 반도체 칩 내부에 냉각수를 직접 흘려 열을 제거하는 액체 냉각 기술이 주목받고 있다.
특히 매니폴드 마이크로채널(MMC)은 머리카락보다 가는 미세 물길인 마이크로채널(microchannel)에 냉각수를 흘려 열을 제거하는 기술이다. 여기에 매니폴드를 적용하면 냉각수를 여러 지점에 동시에 공급할 수 있어 냉각 효율을 높일 수 있다.
이를 택배 배송에 비유하면 전국 물량을 서울 한 곳에서 보내는 대신 여러 지역 물류센터에서 나누어 배송하는 것과 같다. 물건이 이동하는 거리가 짧아지듯 냉각수의 이동 거리도 줄어들어 에너지 소모를 줄일 수 있다.
하지만 기존 MMC 연구에서는 냉각수가 일부 채널에 집중되고 다른 채널에는 충분히 공급되지 않는 문제가 있었다. 연구팀은 냉각수가 모든 채널에 고르게 흐르도록 구조를 최적화했다. 이를 위해 간단한 계산 모델과 정밀한 시뮬레이션을 함께 활용해 수많은 설계안을 분석했고, 냉각 성능은 높이면서도 에너지 손실은 줄일 수 있는 최적 구조를 찾아냈다.
연구팀은 최적화된 구조를 실제 실리콘 웨이퍼에 제작해 성능을 검증했다. 그 결과 냉각 효율을 나타내는 성능계수(COP, Coefficient of Performance·투입한 에너지 대비 제거한 열의 양을 나타내는 지표)는 106,000을 기록했다. 이는 냉각에 사용하는 에너지 1만큼으로 10만6천 배에 해당하는 열을 제거할 수 있다는 의미다.
이 수치는 2020년 국제학술지 ‘네이처(Nature)’에 보고된 기존 세계 최고 수준보다 10배 이상 높은 수준이다. 쉽게 말해 같은 양의 열을 식히는 데 필요한 에너지가 기존 기술의 10분의 1 수준으로 줄어든 것이다.
특히 이번 성과는 액체가 끓으며 열을 제거하는 복잡한 냉각 방식이나 나노 표면 처리, 다이아몬드 같은 고가 소재 없이 상온의 물만으로 구현됐다. 또한 현재 반도체 생산라인에서 추가 설비 투자 없이 적용할 수 있어 상용화 가능성도 높다.
이번 연구는 5mm×5mm 크기의 실험용 칩에서 검증됐으나, 연구팀은 동일한 설계 원리를 현재 AI 데이터센터에 쓰이는 GPU·TPU 등 대형 AI 반도체(최대 7.5cm×7.5cm)에도 적용할 수 있다고 밝혔다. 실제로 이를 데이터센터의 콜드 플레이트(냉각수를 흘려 열을 제거하는 금속 냉각판)에 적용한 결과, 기존 대비 30% 이상 향상된 냉각 성능을 확인했다. 연구팀은 향후 엔비디아(NVIDIA)의 차세대 AI 플랫폼인 '베라 루빈(Vera Rubin)'급 초고성능 칩에도 이 기술이 활용될 수 있을 것으로 기대하고 있다.
연구팀은 이번 기술이 AI 반도체를 비롯해 고성능 컴퓨팅(HPC), 3차원 반도체 패키징, 전력반도체, 국방 전자장비 등 발열이 큰 다양한 전자장치의 열관리 문제 해결에 활용될 것으로 전망했다. 특히 AI 데이터센터의 경우 냉각에 많은 전력이 사용되는 만큼, 이번 기술이 데이터센터의 전력 소비와 운영 비용을 줄이는 핵심 기술이 될 것으로 기대된다.
김성진 교수는 "AI 시대에는 반도체 성능보다 열을 얼마나 효과적으로 제어하느냐가 경쟁력"이라며 "이번 기술이 AI 데이터센터의 전력 소비를 줄이는 핵심 기술로 활용되기를 기대한다"고 말했다.
이번 연구에는 KAIST 기계공학과 이영진, 황철현, 이한솔 연구원이 공동 제1저자로 참여했으며, 연구 결과는 국제 학술지 ‘Energy Conversion and Management’에 6월 15일 게재됐다.
※ 논문명: Highly energy-efficient manifold microchannel for cooling electronics with a coefficient of performance over 100,000, DOI: https://doi.org/10.1016/j.enconman.2026.121422
한편 본 연구는 과학기술정보통신부 재원 한국연구재단(NRF) 중견연구자지원사업(2021R1A2C3011944)과 방위사업청 재원 국방기술진흥연구소(KRIT) 초고열유속 냉각시스템 특화연구실 사업(KRIT-CT-22-022)의 지원을 받아 수행됐다.
2026.06.16 조회수 4094 -
안보 민감 연구 규제 강화가 과학 발전 위축시킬 수 있다
“안보에 위협이 될 수 있는 연구를 막아야 한다”는 강화된 관리 감독 규제가 오히려 인류에 필요한 핵심 과학 발전까지 제한할 수 있다는 사실이 우리 대학 연구진에 의해 밝혀졌다. 연구진은 과학 발전과 국가안보 사이의 균형 있는 정책 설계 필요성을 제시했다.
우리 대학은 기술경영학부 권석범 교수가 이중 용도 연구에 관한 강화된 보안 규제가 핵심 과학 발전을 위축시킬 수 있다는 점을 대규모 데이터 분석을 통해 규명했다고 5일 밝혔다.
이중용도연구는 백신·치료제 개발처럼 인류에 기여할 수 있는 동시에 생물무기나 생물테러 등 안보 위험에도 활용될 가능성이 있는 연구를 의미한다. 대표적으로 바이러스 변이 연구나 병원체 전파 연구 등이 이에 해당한다.
미국은 최근 이중용도연구에 대한 보안 감독을 지속적으로 강화해 왔으며, 2025년에는 대통령 행정명령(EO 14292)을 통해 추가 규제를 도입했다. 그러나 이러한 규제 강화가 과학 발전과 국가안보에 미치는 영향을 객관적으로 분석한 연구는 부족한 상황이었다.
미국의 사전 보안 감독 규정은 국가안보결정지침 189호 (NSDD-189)에 근거하며, 연방정부가 연구에 직접 관여하는 경우에 적용된다. 따라서 연방정부 관여 없이 수행되는 연구는 사실상 이 감독의 관할권 밖에 놓이게 된다.
권석범 교수는 미국 특허청(USPTO)의 다단계 보안 심사 절차와 특허-논문 인용 데이터를 결합한 새로운 분석 방법론을 개발해 약 60만 건의 연구 논문을 분석했다. 이를 통해 기존 사례 중심 분석에만 의존하던 이중용도연구 논의를 대규모 실증 분석으로 전환했다는 점에서 학계의 높은 평가를 받았다.
분석 결과, 이중용도연구는 일반 연구보다 과학적 영향력이 일관되게 높은 것으로 나타났다. 이는 규제 대상이 되는 연구일수록 과학 발전과 기술 혁신에 중요한 역할을 할 가능성이 크다는 의미다.
또한 미국 연방정부가 직접 관여한 이중용도연구의 비중은 1981년 약 41%에서 2005년 약 22%로 감소한 반면, 외국 기관이 관여한 비중은 같은 기간 35%에서 54%로 증가한 것으로 나타났다. 이는 NSDD-189에 근거한 미국의 보안 규제가 자국 연구에는 집중적으로 적용되는 사이 해외 연구 비중은 지속적으로 확대되고 있음을 보여준다.
권석범 교수는 “한 국가의 규제 강화만으로는 자국 내 과학적 파급력이 큰 연구에만 불균형적인 제약을 가하면서, 동일한 중요성을 가진 해외 연구의 발전은 막지 못하는 결과를 초래할 수 있다”며 “과학 발전과 국가안보를 동시에 달성하기 위해서는 국제 협력과 균형 있는 정책 설계가 필요하다”고 설명했다.
이번 연구는 이중용도연구를 둘러싼 국제 정책 논의에 데이터 기반 근거를 제시했다는 점에서 의미가 크다. 특히 바이오뿐 아니라 인공지능(AI), 양자기술 등 안보와 연결될 수 있는 첨단기술 분야에서도 향후 연구 규제와 글로벌 협력 체계 논의에 중요한 참고자료가 될 것으로 기대된다.
이번 연구는 권석범 교수의 단독 저자 논문으로, 세계적 권위의 과학 학술지 사이언스(Science)에 2026년 6월 5일 자로 게재됐다.
※ 논문명: Dual-use research under scrutiny, DOI: 10.1126/science.aee2479
한편 이번 연구는 한국연구재단 인문사회 신진연구자 지원 사업(2025S1A5A8009362) 지원을 받아 수행됐다.
2026.06.05 조회수 1975 -
AI ‘시간 오류’ 잡았다...의료·법률 분야 신뢰성 높인다
“지난달 취임한 장관이 누구냐”는 질문에 챗GPT가 1년 전 인물을 답한다면 어떨까. 최신 정보를 제대로 반영하지 못하는 AI의 한계를 보여주는 사례다. 우리 대학 연구진이 변화하는 현실 정보를 자동으로 반영하면서도, 겉으로는 맞아 보이는 ‘시간 오류’까지 잡아내는 새로운 평가 기술을 개발했다. AI 신뢰성을 획기적으로 높일 수 있을 것으로 기대된다.
우리 대학은 전기및전자공학부 황의종 교수 연구팀이 마이크로소프트연구소(Microsoft Research)와 공동연구를 통해, 시간 데이터베이스 기술을 활용해 거대언어모델(LLM)의 시간 추론 능력을 자동으로 평가·진단하는 시스템을 개발했다고 14일 밝혔다.
인공지능이 사용자의 신뢰를 얻기 위해서는 시시각각 변화하는 현실 정보를 정확히 이해하는 능력이 필수적이다. 그러나 기존 평가 방식은 정답 일치 여부만을 확인하거나 복잡한 시간 관계를 충분히 반영하지 못해, 실제 환경에서 발생하는 다양한 질문 상황을 제대로 평가하기 어렵다는 한계가 있었다.
연구팀은 이를 해결하기 위해 지난 40여 년간 검증되어 온 ‘시간 데이터베이스(Temporal Database)’ 설계 이론을 인공지능 평가에 최초로 도입했다. 데이터의 시간적 흐름과 관계 구조를 활용해, 사람이 평가용 문제를 일일이 작성하지 않아도 데이터베이스만으로 13가지 유형의 복잡한 시간 기반 문제가 자동으로 생성되도록 했다는 점이 핵심이다.
특히 이번 기술은 사람이 문제를 직접 만들던 기존 방식에서 벗어나, 데이터를 기반으로 평가 문제가 자동 생성되는 방식으로 전환했다는 점에서 가장 큰 혁신으로 평가된다. 또한 데이터베이스를 기준으로 문제 생성부터 정답 도출, 검증까지 전 과정을 자동화해, 기존처럼 문제를 일일이 수정할 필요 없이 유지보수 부담을 획기적으로 줄일 수 있다.
현실 정보가 변경될 경우에는 해당 내용을 데이터베이스에 업데이트하면 평가 문제와 정답, 검증 기준이 자동으로 반영된다. 다만 최신 정보의 입력 자체는 외부 데이터나 관리자를 통해 이루어지며, 본 기술은 이러한 데이터가 갱신된 이후 평가 전반을 자동으로 수행하는 구조다.
또한 연구팀은 단순히 최종 답이 맞는지 틀리는지 여부를 판단하는 기존 방식에서 나아가, 답변 과정에서 제시된 날짜나 기간의 논리적 타당성까지 검증하는 지표를 새롭게 도입했다. 이를 통해 겉보기에는 정답처럼 보이지만 시간적 근거가 잘못된 ‘시간 환각(Temporal Hallucination)’ 현상을 기존 대비 평균 21.7% 더 정확하게 탐지하는 성과를 보였다.
이 기술을 적용하면 정보 변경 시 데이터베이스만 갱신하면 되기 때문에 평가 유지 비용을 크게 절감할 수 있으며, 입력 데이터량 역시 기존 대비 평균 51% 줄어드는 효과를 보였다.
황의종 교수는 “이번 연구는 고전적인 데이터베이스 설계 이론이 최신 인공지능의 신뢰성 문제를 해결하는 데 중요한 역할을 할 수 있음을 보여준 사례”라며, “방대한 전문 데이터를 평가 자원으로 전환함으로써 향후 의료·법률 등 다양한 분야의 인공지능 성능 검증에 실질적인 기반이 될 것으로 기대한다”고 말했다.
이번 연구는 KAIST 김소연 박사과정이 제1저자로 참여했으며, 마이크로소프트연구소의 진동 왕(Jindong Wang, 現 윌리엄 앤 메리 대학교)과 싱 시에(Xing Xie) 연구원이 공동 저자로 참여했다. 연구 결과는 오는 4월 인공지능 분야 최고 권위 학술대회인 ‘ICLR 2026’에서 발표될 예정이다.
※ 논문명: Harnessing Temporal Databases for Systematic Evaluation of Factual Time-Sensitive Question-Answering in Large Language Models, 논문 링크: https://arxiv.org/abs/2508.02045
한편, 이번 연구는 마이크로소프트연구소, 한국연구재단, 정보통신기획평가원(IITP) 글로벌 AI 프론티어랩 과제(RS-2024-00469482, RS-2024-00509258)의 지원을 받아 수행됐다.
2026.04.14 조회수 2995 -
엔비디아보다 2.1배 빠른 유튜브 추천...‘버벅임’없앴다
유튜브 영상 추천이나 금융 사기 탐지처럼 사람 사이의 복잡한 관계를 빠르게 분석하는 핵심 AI 기술로 ‘그래프 신경망(GNN, Graph Neural Network)’이 있다. 여기서 말하는 그래프는 우리가 떠올리는 그래프 그림이 아니라, 사람과 사람 사이의 연결 관계를 뜻한다. 우리 대학 연구진은 엔비디아보다 추천 속도는 2.1배 빠르고, 지연은 줄이며, 전력 소모까지 낮춘 AI 반도체 기술 ‘오토GNN(AutoGNN)’을 개발해 주목받고 있다.
우리 대학은 전기및전자공학부 정명수 교수 연구팀이 그래프 신경망 기반 인공지능의 추론 속도를 획기적으로 높일 수 있는 AI 반도체 기술 ‘오토GNN’을 세계 최초로 개발했다고 5일 밝혔다.
연구팀은 서비스 지연의 주된 원인이 인공지능 추론 이전 단계인 그래프 전처리(Graph Preprocessing) 과정에 있음을 밝혀냈다. 이 과정은 전체 계산 시간의 70~90%를 차지하지만, 기존 GPU는 복잡한 관계 구조를 정리하는 연산에 한계가 있어 병목 현상이 발생해 왔다.
이를 해결하기 위해 연구팀은 입력 데이터 구조에 따라 반도체 내부 회로를 실시간으로 바꾸는 적응형 AI 가속기 기술을 설계했다. 분석해야 할 데이터의 연결 방식에 맞춰 반도체가 스스로 가장 효율적인 구조로 바뀌는 방식이다.
연구팀은 필요한 데이터만 골라내는 UPE 모듈과 이를 빠르게 정리·집계하는 SCR 모듈을 반도체 안에 구현했다. 데이터의 양이나 형태가 바뀌면 이에 맞춰 최적의 모듈 구성이 자동으로 적용돼, 어떤 상황에서도 안정적인 성능을 유지할 수 있도록 했다.
성능 평가 결과, 오토GNN은 엔비디아의 고성능 GPU(RTX 3090) 대비 2.1배 빠른 처리 속도를 기록했으며, 일반 CPU 대비 9배 빠른 성능과 함께 에너지 소모를 3.3배 줄이는 효율성을 보였다.
이번 기술은 추천 시스템이나 금융 사기 탐지처럼 복잡한 관계 분석과 빠른 응답이 필요한 인공지능 서비스에 즉시 적용할 수 있다. 데이터 구조에 따라 스스로 최적화되는 AI 반도체 기술을 확보함으로써, 향후 대규모 데이터를 다루는 지능형 서비스의 속도와 에너지 효율을 동시에 높일 수 있는 기반이 마련됐다는 평가다.
정명수 교수는 “이번 연구는 불규칙한 데이터 구조를 효과적으로 처리할 수 있는 유연한 하드웨어 시스템을 구현했다는 점에서 의미가 크다”며 “추천 시스템은 물론 금융·보안 등 실시간 분석이 필요한 다양한 AI 분야에 활용될 것”이라고 말했다.
이번 연구는 2026년 1월 31일부터 호주 시드니에서 열리는 컴퓨터 아키텍처 분야 최우수 국제학술대회인 제32회 ‘IEEE International Symposium on High-Performance Computer Architecture (HPCA 2026)’에서 2월 4일 발표됐다.
※ 논문명: AutoGNN: End-to-End Hardware-Driven Graph Preprocessing for Enhanced GNN Performance, https://2026.hpca-conf.org/details/hpca-2026-main-conference/69/AutoGNN-End-to-End-Hardware-Driven-Graph-Preprocessing-for-Enhanced-GNN-Performance
이 연구는 삼성미래기술육성사업의 지원을 받았다.
2026.02.05 조회수 4420 -
AI로 인간 집단행동 예측! 세계 최고 학회에서 1위.. 23년 만의 쾌거
우리 대학은 김재철AI대학원 신기정 교수 연구팀이 개인의 나이, 역할 등 특성이 집단 관계에 미치는 영향을 분석해 복잡한 사회 집단행동을 예측하는 획기적인 AI 기술을 개발했다고 9일 밝혔다.
연구팀은 이 기술로 미국전기전자학회(IEEE) 주관 세계적 데이터마이닝 학술대회 'IEEE ICDM'에서 최우수 논문상(Best Paper Award)을 수상하는 쾌거를 이루었다. 이는 전 세계 785편 중 단 1편에게만 주어지는 최고 권위의 상으로, 한국 대학 연구팀으로서는 23년 만의 수상으로 KAIST가 다시 한 번 세계 연구 무대에서 기술 리더십을 입증했다.
오늘날 온라인 커뮤니티·연구 협업·단체 채팅 등 다수가 동시에 참여하는 집단 상호작용은 사회 곳곳에서 폭발적으로 늘고 있다. 그러나 이러한 집단 행동이 어떤 구조로 형성되고, 개인의 특성이 어떻게 영향을 미치는지를 동시에 정밀하게 설명해 내는 기술은 부족했다.
신기정 교수 연구팀은 이 한계를 뛰어넘기 위해 개인 특성과 집단 구조를 실제처럼 맞물리게 재현하는 AI 모델 ‘NoAH(Node Attribute-based Hypergraph Generator)’를 개발했다.
NoAH는 사람들의 특징이 모이면 어떤 그룹 행동이 만들어지는지를 설명하고 흉내내는 인공지능이다. 예를 들어, 어떤 사람이 어떤 관심사를 갖고 있는지, 어떤 역할을 하는지 등의 정보들이 실제로 어떻게 모여서 그룹 행동을 만들어 내는지를 분석해 그대로 재현할 수 있다.
그래서 NoAH는 사람의 성향과 관계를 동시에 반영해 ‘현실 같은 집단 행동’을 만들어 내는 AI로, 전자상거래에서의 구매 조합, 온라인 토론의 확산 과정, 연구자들의 논문 공저 네트워크 등 다양한 실제 집단 행동을 기존 모델보다 훨씬 더 사실적으로 재현하는 것으로 나타났다.
신기정 교수는 “이번 연구는 집단의 구조뿐 아니라 개인의 특성까지 함께 고려해, 복잡한 상호작용을 입체적으로 이해할 수 있는 새로운 AI 패러다임을 열었다”며 “온라인 커뮤니티, 메신저, 소셜 네트워크 분석 등이 한층 정밀해질 것”이라고 말했다.
이번 연구는 신기정 교수와 KAIST 김재철AI대학원 소속 전재완·윤석범 석사과정, 최민영·이건 박사과정으로 구성된 연구팀이 수행하였으며, IEEE ICDM에서 11월 18일 자 발표하였다.
※논문명: Attributed Hypergraph Generation with Realistic Interplay Between Structure and Attributes
논문원본: https://arxiv.org/abs/2509.21838
한편, 신 교수 연구팀은 이번 수상 논문을 포함해 올해 IEEE ICDM에서 총 네 편의 논문을 발표했다. 또한 2023년에도 같은 학술대회에서 상위 4등인 Best Student Paper Runner-up을 수상한 바 있다.
이 성과는 정보통신기획평가원의 지원을 받은 AI 연구거점 프로젝트, 인공지능 대학원 지원(KAIST), 인공지능 에이전트 협업기반 신경망 변이 및 지능 강화 기술 개발 과제의 지원을 받았다.
2025.12.09 조회수 6649 -
AI로 기후리스크에 강한 도시 상권 찾아낸다
우리 대학은 도시인공지능연구소(소장 건설및 환경공학과 윤윤진 지정석좌교수)가 미국 MIT 센서블 시티 랩(Senseable City Lab, 소장 Carlo Ratti 교수)과 함께 ‘도시와 인공지능(Urban AI)’분야의 공동연구를 진행하고, 그 성과를 서울 코엑스에서 열린 9월 말 ‘스마트라이프위크 2025(Smart Life Week 2025)’ 전시를 통해 공개했다고 10월 29일 밝혔다.
KAIST와 MIT는 도시의 주요 문제를 인공지능으로 해석하는‘Urban AI 공동연구 프로그램’을 추진해 왔으며, 이번 전시에서는 ▲도시 기후 변화 ▲녹지 환경 ▲데이터 포용성 등 세 가지 주제를 중심으로 연구 성과를 시민이 직접 체험할 수 있는 형태로 선보였다.
양 기관은 이번 협력을 통해 AI 기술이 도시의 문제를 계산하는 도구를 넘어, 사회적 이해와 공감을 이끄는 새로운 지능으로 확장될 수 있음을 보여주며 ▲도시의 열과 매출 ▲치유하는 자연, 서울 ▲데이터 소니피케이션 등 세 가지 프로젝트를 진행했다.
첫 번째 프로젝트인 ‘도시의 열과 매출’은 기후 변화가 도시 상권과 소상공인 생태계에 미치는 영향을 인공지능으로 분석한 연구다. 서울시 426개 행정동별 96개 업종에 대한 매출과 날씨 등 3억 개 이상의 데이터를 학습한 인공지능 모델을 통해, 기온과 습도 등의 기후 요인이 업종별 매출에 미치는 영향을 정량화했다.
그 결과는 각 지역·업종별로 기후 변화에 얼마나 잘 적응하고 회복할 수 있는지를 점수화한 ‘도시의 회복력(Urban Heat Resilience)’지표 40,896개로 시각화되어 어느 지역이 기온 리스크에 강한 상권인지 등 지역별 상권의 회복력 수준을 한눈에 파악할 수 있도록 구성되었다.
연구에 따르면 편의점 업종의 경우, 총 426개 행정동 중 64.7%는 기후 변화에 비교적 안정적인 ‘기후 중립 지역’이며 나머지 35.3%는 기후 변화에 영향을 크게 받는 ‘기후 민감 지역’에 속하는 것으로 분석되었다. 이는 편의점 업종의 영업 환경은 지역별로 기후 영향 편차가 존재하며, 도시 회복력 관점에서 향후 입지 전략 수립 시 참고할 수 있는 데이터로 활용 가능하다.
관람객은 실제 서울 지도를 기반으로 지역과 업종을 선택해, AI가 미래 기온 상승 시나리오에 따른 매출 변화를 실시간으로 예측하는 시스템을 체험할 수 있었다.
해당 예측 모델은 KAIST가 자체 개발한 기술로, 향후 보스턴·런던 등 세계 주요 도시와의 협력 확장도 추진될 예정이다. 이 연구는 향후 소상공인의 개업 전략 수립과 도시 기후 리스크 대응 정책 수립에 새로운 방향을 제시할 것으로 기대된다.
두 번째 프로젝트 ‘치유하는 자연, 서울’은 MIT의 글로벌 프로젝트 ‘Feeling Nature’의 서울 확장판으로, 스트리트뷰·지도·위성 이미지 등 도시 환경 데이터와 시민 설문 데이터를 결합해 AI가 ‘서울 시민이 실제로 느끼는 녹지의 심리적 경험(psychological green)’을 추정하도록 학습시켰다.
이를 통해 단순히 나무나 공원의 면적을 계산하는 수준을 넘어, 시민이 느끼는 정서적 회복력(emotional resilience)과 웰빙(well-being)을 반영한 새로운 도시 설계 방향을 제시했다. 해당 연구는 향후 서울시 녹지 정책 및 지역 맞춤형 도시 디자인에 활용될 과학적 근거를 제공할 것으로 기대된다.
마지막 프로젝트인 ‘데이터 소니피케이션’은 3억 건이 넘는 데이터를 음악처럼 해석해 들을 수 있게 만든 세계 최초의 인공지능 기술이다. AI는 온도·습도·매출 등 데이터를 활용해 기온이 오르면 음이 높아지고, 매출이 줄면 소리가 낮아지는 식으로 정보를 소리로 표현한다. 이를 통해 시각 대신 청각으로 도시 데이터를 ‘듣는’ 새로운 감각적 경험을 제공한다.
이 기술은 시각장애인이나 어린이 등 시각 정보 접근이 어려운 사람도 데이터를 직관적으로 이해할 수 있도록 돕는 포용적 AI 기술로, ‘모두를 위한 인공지능(Barrier-Free AI)’의 대표 사례다.
이번 연구를 후원한 서울AI재단 김만기 이사장은 “KAIST와 MIT 등 세계적 연구기관과의 협업을 통해 도시 환경과 시민 삶을 인공지능으로 분석한 뜻깊은 성과를 거뒀다”며 “이번 연구가 시민의 관점에서 도시 변화를 이해하고 이를 정책과 생활로 연결하는 기반을 마련했다”고 말했다.
윤윤진 소장은 “이번 전시는 인공지능이 도시를 계산하는 기술을 넘어, 사람과 도시를 이해하고 공감하는 지능으로 발전할 수 있음을 보여줬다”며 “시민이 함께 데이터를 만들고 경험하며, 세계 여러 도시와 협력해 더 포용적이고 지속 가능한 도시 미래를 열어가겠다”고 밝혔다.
이번 성과는 KAIST 도시인공지능연구소과 미국 MIT 센서블 시티 랩(MIT Senseable City Lab)이 참여한 AI 분야 글로벌 협력 연구사업 과제로, 서울AI재단의 후원을 받아 수행되었다.
※연구성과 이미지/동영상: https://05970c0c.slw-6vy.pages.dev/
2025.10.29 조회수 6860 -
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 10796