-
“신약 설계해줘”... 소버린 바이오 AI 'K-Fold' 공개
“이 단백질에 잘 결합하는 신약 후보를 설계해줘.”
연구자가 AI에게 이렇게 요청하면 AI가 단백질의 3차원 구조를 예측하고, 어떤 물질이 잘 결합할지 분석해 유망한 신약 후보를 설계한다. 우리 대학 연구진이 세계에서 가장 빠르게 단백질 구조 예측을 수행하는 바이오 AI 모델 ‘K-Fold(케이폴드)’를 국내 독자 기술로 개발했다.
우리 대학은 과학기술정보통신부 ‘AI 특화 파운데이션 모델 프로젝트’의 주관기관으로 ‘팀 KAIST’를 구성하고, 차세대 바이오 AI 모델 ‘K-Fold’를 공개했다고 28일 밝혔다.
‘팀 KAIST’는 화학과 김우연 교수가 연구를 총괄하고, 김우연 교수 그룹과 김재철AI대학원 황성주·안성수 교수 그룹 연구원들이 AI 모델 개발을, 생명과학과 오병하·김호민·이규리 교수가 단백질 데이터 구축과 검증을 담당한다. KAIST 교원창업기업 히츠(HITS)는 K-Fold를 연구자가 실제 활용할 수 있도록 웹 기반 AI 연구 플랫폼 ‘하이퍼랩(HyperLab)’과 연계해 서비스로 구현했다. K-Fold의 성과 확산과 산업계 활용 촉진은 한국제약바이오협회와 한국바이오협회가 맡는다.
K-Fold의 가장 큰 특징은 신약 개발에 필요한 단백질과 약물의 ‘결합’을 AI로 예측한다는 것이다.
신약을 개발하려면 먼저 질병과 관련된 단백질이 어떤 모양인지 파악하고, 수많은 물질 가운데 어떤 것이 그 단백질에 잘 붙어 원하는 작용을 하는지 찾아야 한다. K-Fold는 단백질의 3차원 구조를 예측하는 것은 물론 약물 후보가 단백질의 어디에, 어떤 모습으로 결합할지까지 미리 계산해 유망한 후보를 빠르게 찾도록 돕는다.
단백질 하나의 구조만 예측하는 데 그치지 않는다. 단백질과 단백질, 단백질과 약물 후보 물질, DNA·RNA 등 여러 생체분자가 서로 만났을 때 어떤 구조를 만드는지까지 예측할 수 있다.
성능도 세계적인 수준이다. 지난 3월 과제 단계평가에서 K-Fold의 분자 복합체 구조 예측 정확도는 구글 딥마인드의 AlphaFold3(알파폴드3)에 근접한 수준으로 평가됐다. 연구팀이 8월 자체 수행한 성능평가에서는 일부 평가 항목에서 기존 글로벌 모델보다 높은 성능도 확인했다.
특히 암을 비롯한 여러 질환의 주요 신약 표적인 G-단백질 연결 수용체(GPCR)와 인산화효소(Kinase), 질병을 일으키는 단백질을 직접 제거하는 새로운 신약 기술인 표적단백질분해(TPD) 분야에서 약물이 표적 단백질에 어떻게 결합하고 작용하는지를 예측하는 데 높은 성능을 보였다.
구조 예측 속도도 크게 높였다.
기존 단백질 구조 예측 AI는 구조를 계산하기 전에 비슷한 단백질의 서열 정보를 대량으로 찾아 비교하는 복잡한 사전 작업이 필요했다. K-Fold는 이러한 과정에 의존하지 않는 새로운 방식을 적용해 사전 계산 단계를 없애고, 기존 모델 대비 구조 예측 속도를 최대 25배 높였다.
이는 같은 시간에 더 많은 신약 후보를 살펴볼 수 있다는 의미다. 구조 예측에 필요한 시간과 컴퓨팅 자원을 줄이면서 수많은 후보 가운데 가능성이 높은 물질을 빠르게 골라내 연구자가 실제 실험할 대상을 좁히는 데 도움을 줄 수 있다.
배충식 KAIST 총장은 “AI 시대의 국가 경쟁력은 핵심 기술을 우리 스스로 개발하고 활용할 수 있는 ‘소버린 AI’ 역량에 달려 있다”며 “K-Fold는 국내 독자 AI 기술을 바이오와 결합해 세계 수준의 기술에 도전하고, 실제 신약 연구에 활용할 수 있는 서비스로 연결했다는 데 의미가 크다. KAIST는 앞으로도 AI 원천기술과 과학기술의 융합을 통해 대한민국의 AI 기술 주권과 미래 경쟁력을 높여가겠다”고 말했다.
연구팀은 K-Fold를 개발하는 데서 그치지 않고 연구자가 웹에서 대화하듯 사용할 수 있는 AI 연구 서비스로 구현했다.
KAIST 교원창업기업 히츠의 멀티에이전트 플랫폼 ‘하이퍼랩(HyperLab)’에 K-Fold를 탑재해 별도의 고성능 컴퓨터를 직접 구축하거나 복잡한 AI 프로그램을 다루지 않아도 사용할 수 있도록 했다.
예를 들어 연구자가 “이 단백질에 강하게 결합하는 항체를 설계해줘”라고 요청하면 AI가 단백질 구조를 예측하고, 결합 가능성이 높은 후보를 설계한 뒤 계산을 통해 결과를 평가하는 과정을 단계적으로 지원한다. “이 암 표적 단백질에 적합한 펩타이드 후보를 찾아줘”라고 요청하는 것도 가능하다. 쉽게 말해 연구자가 직접 여러 프로그램을 옮겨 다니며 구조를 계산하고 결과를 분석하는 대신, AI에게 연구 목표를 말하면 필요한 분석과 설계를 차례로 수행하도록 한 것이다.
하이퍼랩은 이를 위해 구조 예측과 약물 설계, 유전체·단백질 등 생명과학 데이터 분석에 활용할 수 있는 120여 개의 계산 도구와 160여 개의 전문 기능을 갖췄다. 또한 100여 개의 전문 데이터베이스와 대규모 지식그래프를 연결해 필요한 연구 정보를 찾아 분석에 활용할 수 있도록 했다.
연구 질문을 이해하고 필요한 도구를 선택해 구조를 예측하고, 결과를 분석한 뒤 다시 설계를 개선하는 일련의 과정을 지원한다는 점에서 연구자를 돕는 ‘AI 공동연구자(Co-Scientist)’를 지향한다.
바이오 AI는 신약 개발의 시간과 비용을 줄일 수 있는 핵심 기술로 떠오르면서 미국·영국·중국의 글로벌 빅테크와 주요 연구기관들이 치열한 개발 경쟁을 벌이고 있다. 이번 K-Fold 개발은 바이오 AI 핵심 기술을 해외 모델에만 의존하지 않고 국내 기술로 확보해 실제 연구에 활용할 수 있는 ‘소버린 바이오 AI’ 기반을 마련했다는 데 의미가 있다.
이번 성과는 지난 6월 23일 열린 ‘2026 한국생체분자과학연합학술대회’에서 김우연 교수가 ‘에이전틱 AI 기반 생성형 신약 설계(Generative Drug Design Powered by Agentic AI)’를 주제로 한 기조강연을 통해 처음 공개했다.
김우연 KAIST 화학과 교수는 “K-Fold는 기존 모델을 따라가는 것이 아니라 새로운 AI 구조를 적용해 기존 방식의 한계를 뛰어넘기 위해 개발했다”며 “세계 최고 수준의 바이오 AI를 연구자 누구나 활용할 수 있는 과학 AI 플랫폼으로 발전시키겠다”고 말했다.
‘팀 KAIST’ 컨소시엄은 K-Fold를 무료로 배포할 예정이며, 하이퍼랩은 국내외 연구자를 대상으로 베타 서비스를 제공한 뒤 올해 안에 단계적으로 상용 서비스를 확대할 계획이다.
한편 K-Fold의 산업 현장 확산을 위한 교육도 본격화됐다. 8월 27일 한국바이오협회 온라인 교육에는 85명이 참여했으며, 9월 1일 한국제약바이오협회와 진행하는 온·오프라인 교육에는 현재 118명이 신청했다. 교육에서는 제약·바이오 기업 실무자를 대상으로 K-Fold 활용법과 신약 설계 적용 사례를 소개해 소버린 바이오 AI의 산업 현장 도입을 지원한다.
※ 관련 사이트: HyperLab Co-Scientist: https://hyperlab.ai/features-co-scientist
K Fold-하이퍼랩 3.0 소개영상: https://drive.google.com/file/d/1MxhZr-C3pQdIVn1EP44hQICj8G70is3_/view
한편, 이번 연구는 과기정통부 ‘차세대 바이오 파운데이션 모델 K-Fold 개발’ 과제(PJT-25-100009) 의 지원을 받아 수행됐다.
2026.08.28
조회수 2037
-
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 1703
-
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 2711
-
몸짓도 언어다… 동물 행동의 의미 읽는 AI 개발
생쥐의 몸짓을 단어처럼 읽고 의미를 이해하는 인공지능이 등장했다. 우리 대학 연구진은 행동 데이터를 언어처럼 학습해 자폐 모델 생쥐의 사회적 행동 결함을 스스로 찾아내는 AI 모델 ‘비헤이버트(BehaVERT)’를 개발하며 해석 가능한 뇌과학의 새로운 패러다임을 제시했다.
우리 대학 뇌인지과학과 김대수 교수 연구팀이 동물의 움직임을 언어처럼 읽고 해석하는 인공지능(AI) 모델을 개발했다고 1일 밝혔다.
연구팀은 생쥐의 골격 움직임을 자연어의 단어에 해당하는 ‘토큰(token)’으로 변환해 학습시키는 방식으로 행동의 의미를 이해하는 AI 모델 ‘비헤이버트'를 구현했다. 이 모델은 별도의 사전 지식 없이도 자폐 모델 생쥐의 핵심 사회행동 결함을 스스로 발견할 수 있음을 확인했다.
이번 연구는 동물 행동을 언어처럼 분석하는 새로운 인공지능 접근법을 제시한 것으로 평가된다. 특히 AI가 단순한 행동 분류를 넘어 행동의 의미를 이해하고 생물학적으로 중요한 단서를 찾아낼 수 있음을 보여줌으로써, 향후 신약 개발과 정신질환 연구, 행동유전학 분야를 위한 차세대 '행동 파운데이션 모델(Behavior Foundation Model)'의 가능성을 열었다.
연구팀은 생쥐의 코, 귀, 척추, 사지, 꼬리 등 신체 부위의 골격 좌표를 토큰으로 변환한 뒤 자연어 처리에 널리 사용되는 BERT 기반 트랜스포머 모델에 입력해 학습시켰다. 그 결과 비헤이버트는 단순히 행동을 분류하는 데 그치지 않고, 시간의 흐름 속에서 행동의 의미를 스스로 학습하는 것으로 나타났다.
개발된 모델은 사회적 상호작용, 다개체 행동, 3차원 움직임 분석, 자폐 행동 분석 등 다양한 분야의 국제 표준 벤치마크 5종에서 기존 최고 수준의 성능을 뛰어넘었다. 비헤이버트는 자신이 어떤 행동에 주목해 판단을 내렸는지 연구자에게 알려주는 해석 가능성(interpretability)도 갖추고 있다.
실험 결과, 모델은 자폐 모델 생쥐(Shank3B 유전자 결손)와 정상 생쥐를 구분하는 과정에서 ‘입과 입을 맞대는 접촉(oral-oral contact)’에 집중하는 것으로 나타났다. 이는 자폐 모델 생쥐가 접근 행동은 정상적으로 수행하지만 실제 사회적 상호작용에는 결함을 보인다는 기존 연구 결과와 정확히 일치한다. 즉, AI가 사전에 생물학적 지식을 학습하지 않았음에도 행동 관찰만으로 자폐 행동의 핵심 특징을 스스로 발견한 것이다.
연구팀은 AI가 행동을 단순히 분류하는 것을 넘어 행동의 의미까지 이해하고 있다는 사실도 확인했다. AI 내부에서는 움직임과 주의, 사회성 같은 행동 특성이 체계적으로 정리돼 있었으며, 이는 동물 행동에도 언어와 유사한 의미 구조가 존재할 수 있음을 시사한다.
이번 연구에는 또 하나의 의미 있는 도전이 담겨 있다. 제1저자인 신승재 박사를 비롯한 연구진은 모두 생명과학을 전공한 연구자들로, 인공지능을 직접 익혀 행동 분석에 특화된 모델과 학습 전략을 설계했다. 김대수 교수 연구실은 그동안 동물 행동 데이터를 활용한 AI 연구를 수행해 왔으며, 쥐의 행동을 가상공간에 구현하는 ‘아바타(AVATAR)’ 기술을 개발해 ㈜액트노바를 창업한 바 있다.
제1저자인 신승재 박사는 “동물의 움직임에도 언어와 같은 구조가 존재할 수 있다는 질문에서 연구가 시작됐다”고 말했다. 연구팀은 사람이 정답을 알려주지 않아도 AI가 행동 데이터만으로 스스로 학습하는 방식을 도입했으며, 쥐의 행동으로 학습한 모델이 생쥐의 행동 분석에도 성공적으로 활용되는 것을 확인했다. 이는 향후 여러 동물 종에 적용 가능한 '행동 파운데이션 모델' 개발 가능성을 보여준다.
김대수 교수는 “비헤이버트는 단순히 행동을 분류하는 것을 넘어 행동의 의미까지 이해할 수 있는 새로운 인공지능 모델”이라며 “향후 신약 개발과 정신질환 연구, 행동유전학 등 다양한 생명과학 분야에서 새로운 발견을 이끄는 핵심 연구 도구가 될 것으로 기대한다”고 말했다.
이번 연구 결과는 뇌인지과학과 신승재 박사가 제1저자로 참여했으며, 컴퓨터비전 분야 최고 권위 학술지 중 하나인 International Journal of Computer Vision(IJCV)에 2026년 3월 24일 게재됐다.
※ 논문명: BehaVERT: A Transformer-Based Motion Language Model for Decoding Behavioral Semantics in Mice, DOI: 10.1007/s11263-026-02834-y
※ 관련 동영상:
● BehaVERT — 사회적 행동 분석 시각화 (Investigation & Mount), https://youtu.be/JshCr-ZBQR0
● BehaVERT — 사회적 행동 분석 시각화 (Investigation & Attack), https://youtu.be/p9RPhZM__Js
● BehaVERT — 자폐 모델 생쥐의 핵심 사회행동을 AI가 스스로 발견하다, https://youtu.be/D6zUyDu3t9I
한편, 이번 연구는 과학기술정보통신부가 지원하고 한국연구재단이 주관하는 중견연구자지원사업 및 뇌과학선도융합기술개발사업의 지원을 받아 수행됐다.
2026.07.01
조회수 2201
-
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
-
농사지을 사람이 없다면? 미래 식량안보의 숨은 위험 밝혀
“미래 식량 부족의 원인은 농지 부족이 아니라 농업 인력 부족일 수 있다."
저출산과 농촌소멸이 현실화되고 있는 가운데, KAIST·국제 공동연구진이 농업 노동력 감소를 미래 식량안보(Food Security, 국민이 필요로 하는 식량을 안정적으로 생산·공급할 수 있는 능력) 분석에 반영한 새로운 데이터 기반 모델을 개발했다. 연구 결과, 미래에는 세계 대부분 지역에서 농업 인력 부족이 농지 활용의 핵심 제약 요인으로 작용할 수 있는 것으로 나타났다.
우리 대학은 AI미래학과 김형준 교수(문술미래전략대학원 겸임) 연구팀이 KI 기후-환경-에너지 연구소 전해원 교수(녹색성장지속가능대학원), 니클라스 포셀(Nicklas Forsell) 교수, 일본 동경대학교 타이칸 오키(Taikan Oki) 교수와 공동연구를 통해 농업 인력 감소가 미래 식량 생산에 미치는 영향을 분석했다고 12일 밝혔다.
지금까지 식량안보와 기후변화 연구는 주로 "얼마나 많은 농지를 확보할 수 있는가"에 초점을 맞춰 왔다. 기후와 토양이 농사에 적합한지, 앞으로 식량 수요가 얼마나 늘어날지를 계산해 미래를 예측하는 방식이었다.
하지만 연구팀은 다른 질문을 던졌다. "농지가 있어도 농사지을 사람이 없다면 어떻게 될까?"
실제로 많은 나라에서 저출산과 도시 집중 현상이 나타나면서 농촌 인구가 줄고 있다. 경제가 발전할수록 사람들이 농업보다 제조업이나 서비스업으로 이동하는 경향도 강해지고 있다. 연구팀은 이러한 변화가 미래 식량 생산에 큰 영향을 미칠 수 있다고 판단했다.
연구팀은 미래 사회와 기후변화가 어떻게 전개될지를 예측하는 대표적인 국제 시나리오 체계인 SSP(Shared Socioeconomic Pathways, 공통 사회경제 경로)와 RCP(Representative Concentration Pathways, 대표 농도경로)를 결합한 5개 미래 시나리오를 활용해 분석을 수행했다. SSP는 인구 증가, 경제 성장, 기술 발전 등 사회 변화의 방향을 가정한 시나리오이고, RCP는 온실가스 배출량에 따라 미래 기후가 어떻게 달라질지를 보여주는 시나리오다.
연구팀은 이러한 미래 전망에 농업 노동력 변수를 새롭게 반영했다. 지금까지는 주로 농사를 지을 수 있는 땅과 식량 수요를 기준으로 미래를 예측했다면, 이번 연구는 실제 농사를 지을 사람의 수까지 함께 고려했다. 즉, 농지와 기후 조건이 충분하더라도 농업 인력이 부족하면 식량 생산이 제한될 수 있다는 현실을 모델에 반영한 것이다.
분석 결과는 예상보다 더 뚜렷했다. 미래에는 세계 대부분 지역에서 농업 인력 부족 때문에 실제로 활용할 수 있는 농지 면적이 줄어들 것으로 나타났다. 일부 지역에서는 기후나 토양보다 농업 인력 부족이 더 큰 제약 요인으로 작용하는 것으로 분석됐다.
연구팀은 특히 기술 발전이 빠르게 이루어지는 미래에도 농업 인력 문제는 쉽게 해결되지 않을 수 있다고 설명했다. 기술 발전은 1인당 경작 가능 면적을 증가시킨다.하지만 산업이 성장할수록 더 많은 사람이 제조업과 서비스업으로 이동하고 오히려 농촌 인구 감소는 가속화돼 노동력이 줄고 농지 활용이 더 제한되는 현상이 나타났다. 이와 같은 결과는 지속가능한 발전 모델의 중요성을 시사한다.
또한 국가 간 이동이 제한될 경우 선진국에서는 농업 인력이 부족해지고, 반대로 일부 저소득 국가에서는 농업 인구가 과도하게 늘어날 가능성도 확인됐다. 이는 이주 정책 역시 식량안보와 밀접하게 연결돼 있음을 보여준다.
김형준 교수는 "이번 연구는 기후와 토지뿐 아니라 사람의 변화까지 함께 고려해 미래 식량 문제를 분석했다"며 "저출산과 농촌 기피같은 현실적인 사회 문제가 미래 식량안보와 기후변화 대응에 중요한 영향을 줄 수 있음을 보여준 연구"라고 설명했다.
문술미래전략대학원 이홍탁 박사과정생이 제1저자로 참여하고 AI미래학과 김형준 교수가 교신저자로 수행한 이번 연구는 국제학술지 ‘네이처 서스테이너빌리티(Nature Sustainability)’에 6월 1일자 게재되었다. 아울러 이 연구는 학술적 중요성을 인정받아 동일 학술지의 'News & Views' 논평("Farming needs more hands"; https://doi.org/10.1038/s41893-026-01841-8)에서 별도로 비중 있게 다뤄졌다. 해당 논평은 이 연구를 "얼마나 많은 땅이 있는가"라는 기존 질문을 "그 땅을 경작할 사람과 노동자당 생산성이 충분한가로 전환한 첫걸음”으로 평가했다.
※ 논문명: Agricultural Workforce as a Potential Bottleneck of Future Cropland Availability, DOI: https://doi.org/10.1038/s41893-026-01824-9
※ 주저자: 이홍탁(KAIST, 제1저자), Nicklas Forsell(KAIST), Taikan Oki(동경대학교), 전해원(KAIST), 김형준(KAIST, 교신저자)
이번 연구는 한국연구재단의 AI기반미래기후기술개발원천연구사업, 해외우수과학자유치사업, Plus 사업(과학기술정보통신부)의 지원의 지원을 받아 수행됐다.
2026.06.15
조회수 2096
-
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 2449
-
거대한 AI서버 구축 전 성능 검증 가능한 ‘가상 AI 실험장’ 개발
챗GPT와 같은 거대언어모델(LLM·Large Language Model) 서비스를 운영하려면 수만 대 규모의 서버 인프라가 필요하다. 하지만 새로운 AI 반도체나 시스템 구조를 검증할 때마다 실제 장비를 구축하는 데에는 막대한 비용과 시간이 소요된다. 우리 대학 연구진은 실제 대규모 AI 서버를 구축하기 전에 컴퓨터 안에서 성능과 효율을 미리 검증할 수 있는 ‘가상 실험장’을 개발했다.
우리 대학은 전산학부 박종세 교수 연구팀이 개발한 거대언어모델(LLM) 서비스 인프라 시뮬레이터(simulator·가상 실험 소프트웨어) 연구가 컴퓨터 시스템 성능 분석 분야의 세계적 권위 학회인 ‘ISPASS 2026(IEEE International Symposium on Performance Analysis of Systems and Software)’에서 최우수 논문상을 수상했다고 29일 밝혔다.
연구팀이 개발한 ‘LLMServingSim 2.0’은 복잡한 AI 서비스 환경에서 다양한 하드웨어와 소프트웨어 조합을 가상으로 분석할 수 있는 시뮬레이션 플랫폼이다. 연구자와 개발자들은 값비싼 대규모 서버 인프라를 직접 구축하지 않고도 다양한 설계안을 자유롭게 실험하고 성능을 검증할 수 있다.
특히 이번 기술은 기존 그래픽처리장치(GPU·Graphics Processing Unit) 중심 환경을 넘어 차세대 AI 반도체로 주목받는 신경망처리장치(NPU·Neural Processing Unit)와 프로세싱 인 메모리(PIM·Processing-In-Memory, 메모리 내부에서 연산을 수행하는 반도체 기술) 등 다양한 하드웨어 환경을 지원한다는 점에서 주목된다.
즉 아직 상용화되지 않은 미래형 AI 반도체를 가상의 데이터센터 환경에서 미리 시험해볼 수 있는 기술이다. 이를 통해 특정 반도체를 적용했을 때 서비스 속도가 얼마나 향상되는지, 전력 소모는 얼마나 줄어드는지, 수만 대 규모의 서버 환경에서도 안정적으로 동작하는지 등을 컴퓨터 안에서 재현하고 분석할 수 있다.
또한 실제 AI 서비스 운영 과정에서 발생하는 데이터 처리, 요청 분배, 메모리 활용 등 복잡한 동작을 시스템 수준에서 재현해 현실에 가까운 성능 평가가 가능하다. 특히 여러 서버 자원을 분리·연결해 사용하는 분산형(disaggregated) 인프라 환경까지 분석할 수 있어 차세대 AI 데이터센터 연구에도 활용 가능성이 크다.
이번 시뮬레이터는 연구자뿐 아니라 LLM 서비스 기업과 AI 반도체 스타트업 등이 차세대 AI 인프라를 설계하고 최적화하는 데 폭넓게 활용될 것으로 기대된다. 새로운 AI 반도체나 서비스 구조를 실제 구축 전에 빠르게 검증할 수 있어 AI 인프라 개발 비용과 시간을 크게 줄일 수 있기 때문이다.
박종세 교수는 “AI 서비스 경쟁력은 모델 자체뿐 아니라 이를 안정적이고 효율적으로 운영하는 인프라 기술에서 결정된다”며 “이번 시뮬레이터가 연구자와 산업계가 차세대 AI 인프라를 더욱 빠르고 효율적으로 개발하는 데 중요한 기반이 되길 기대한다”고 말했다.
이번 연구는 전산학부 조재홍 석사과정, 최현민 석사과정 학생이 공동 1저자로 연구를 주도했으며, 연구팀은 지난 2024년 IISWC(IEEE International Symposium on Workload Characterization)에 이어 이번 ISPASS 2026에서도 최우수 논문상을 수상하며 AI 인프라 분야 연구 경쟁력을 다시 한번 입증했다.
※ 논문 제목: LLMServingSim 2.0: A Unified Simulator for Heterogeneous and Disaggregated LLM Serving Infrastructure, DOI: 10.1109/ISPASS69572.2026.00012
※ 오픈소스 링크: https://llmservingsim.ai/
한편 이번 연구는 과학기술정보통신부(MSIT), 정보통신기획평가원(IITP, No. RS-2024-00396013), 한국전자통신연구원(ETRI, No. RS-2025-02305453), SK하이닉스의 지원을 받아 수행됐다.
2026.05.29
조회수 3674
-
AI로 기후위기 미래 예측한다
기후 변화는 기온 상승뿐 아니라 경제·에너지·산업 전반에 영향을 미치는 복합 문제로, 미래를 정확히 예측하기 어렵다. KAIST·국제 연구진이 인공지능(AI)을 활용해 기후 변화와 사회·경제적 영향을 동시에 분석할 수 있는 차세대 기후 연구 모델을 제시했다.
우리 대학은 녹색성장지속가능대학원 전해원 교수, 카르틱 무카빌리(Karthik Mukkavilli) 겸직교수, 전산학부 오혜연 교수 연구팀이 중국 북경대학교, 영국 임페리얼 칼리지 런던, 이탈리아 밀라노 폴리테크닉대학교, 미국 메릴랜드대학교, 오스트리아 국제응용시스템분석연구소(IIASA) 등 세계 유수 연구기관과의 국제 공동 연구를 통해 AI 기반 기후 연구 통합 프레임워크를 제시했다고 13일 밝혔다.
현재 기후 변화 연구는 물리적 기후 예측, 사회·경제 영향 분석, 에너지 정책 평가 등이 분야별로 분리돼 수행되는 경우가 많다. 서로 다른 데이터와 분석 체계를 사용하기 때문에 이를 종합적으로 연결해 정책 결정에 활용하는 데 시간이 오래 걸린다는 한계가 있었다.
연구팀은 이를 해결하기 위해 ‘AI 기반 기후 연구 파운데이션 모델(AI-Based Climate Research Foundation Model)’을 제안했다. 이 모델은 지구 관측 데이터, 에너지·경제 시나리오, 정책 지표 등 성격이 서로 다른 대규모 데이터를 AI가 공통된 방식으로 이해·분석할 수 있는 가상 분석 공간(shared latent space)에서 함께 처리한다.
이를 통해 기후 변화의 물리적 현상뿐 아니라 경제·사회적 영향까지 동시에 고려한 빠르고 정교한 예측이 가능해진다.
특히 연구팀은 ‘혼합 전문가(MoE, Mixture of Experts)’ 구조를 적용해 서로 다른 역할을 하는 AI 모델이 분야별 전문가처럼 협력하도록 설계했다. 물리 법칙 기반 계산 모듈과 통계 학습 기반 AI 모듈을 결합해 예측의 정확성과 신뢰성을 높였으며, 온실가스 감축 목표 도입이나 신재생에너지 확대 정책이 산업·경제에 미치는 영향을 빠르게 분석할 수 있도록 했다.
이번 연구는 단순히 기후를 예측하는 수준을 넘어, 정책 변화에 따른 사회·경제적 영향을 함께 분석할 수 있는 새로운 AI 기반 기후 연구 방향을 제시했다는 점에서 의미가 크다. 국제 학술지 네이처 클라이밋 체인지(Nature Climate Change)에 4월 28일 게재되었으며, AI기반 기후-인간 상호영향 차세대 통합평가모델 개발(과학기술정보통신부, 한국연구재단)과제의 지원으로 수행됐다.
※ 기고문 : Artificial Intelligence to Support Cross-Disciplinary Climate Change Research, https://doi.org/10.1038/s41558-026-02624-x
한편 KAIST 연구팀은 이러한 프레임워크를 실제로 구현한 AI 기반 예측 모델도 함께 공개했다.
연구팀은 ‘에너지-온실가스 예측 고속 에뮬레이터(emulator)’를 시범 구현 모델(prototype) 형태로 개발했다. 이 모델은 기존의 복잡한 에너지·탄소배출 통합평가모델(IAM, Integrated Assessment Model) 계산 과정을 AI가 빠르게 대신 수행하도록 만든 기술이다.
기존 통합평가모델은 하나의 정책 시나리오를 분석하는 데 많은 시간과 계산 자원이 필요했지만, 연구팀이 개발한 AI 모델은 수천 개의 정책 시나리오를 단시간에 분석할 수 있다. 이를 통해 탄소중립 정책이나 에너지 전환 정책의 효과를 보다 빠르게 예측하고 정책 결정에 활용할 수 있을 것으로 기대된다.
쉽게 말해, 미래 기후와 경제 변화를 예측하는 ‘가상 정책 실험실’을 AI로 구현한 셈이다. 예를 들어 탄소세를 높이거나 재생에너지를 확대했을 때 온실가스 배출량과 경제 변화가 어떻게 달라지는지를 훨씬 빠르게 시뮬레이션할 수 있다.
신예은(Yen Shin) 석사과정 학생이 제1저자로 참여하고 오혜연 교수와 전해원 교수가 공동 교신저자로 참여한 해당 연구는 지구과학 모형 개발 전문 학술지 지오사이언티픽 모델 디벨롭먼트(Geoscientific Model Development)'에 1월 9일 심사전 공개 논문(preprint)으로 발표됐다.
※ 논문명: ML-IAM v1.0: Emulating Integrated Assessment Models With Machine Learning, https://doi.org/10.5194/egusphere-2025-5305
해당 연구 성과는 세계 최대 AI 학회인 뉴립스(NeurIPS) 2025 ‘기후변화 대응 머신러닝’ 워크숍에 초청되어 발표됐으며, 기후학계와 AI산업계의 큰 관심을 받고 있다. 이 연구는 환경부의 재원으로 한국환경산업기술원의 관측 기반 공간정보지도 구축 기술개발사업 (RS-2023-00232066)의 지원으로 수행됐다.
전해원 교수와 오혜연 교수는 ‘KAIST AI4Good*’ 연구 네트워크 창립 멤버로 활동하며 AI를 기후 위기 등 사회문제 해결에 활용하는 연구를 이어가고 있다.
*KAIST AI4Good: AI를 활용해 공공의 이익을 추구하는 연구 플랫폼(https://ai4good.kaist.ac.kr/)
전해원 교수는 “이번 기후-AI 모델은 기후 과학자와 정책 입안자 사이의 간극을 줄여줄 효과적인 가교 역할을 할 것으로 기대한다”며 “함께 공개한 고속 AI 에뮬레이터는 실시간에 가까운 정책 분석을 가능하게 해 실질적인 기후 대응 솔루션을 제공하는 핵심 기술이 될 것”이라고 말했다.
오혜연 교수는 “AI 기술은 단순한 상업적 도구를 넘어 인류 생존을 위협하는 기후 위기 해결에 기여해야 한다”며 “이번 국제 공동 연구는 AI가 사회적 난제 해결을 위한 글로벌 공공재 역할을 할 수 있음을 보여주는 사례가 될 것”이라고 강조했다.
2026.05.13
조회수 4686
-
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 2996
-
안테나 하나로 AI ‘설계도’ 훔쳐본다... 대응 기술도 제시
스마트폰 얼굴 인식부터 자율주행차까지, 인공지능(AI)은 ‘블랙박스’로 보호돼 왔다. 하지만 KAIST·국제 연구진이 벽 너머에서 AI의 ‘설계도’를 훔쳐볼 수 있는 새로운 보안 위협을 밝혀냈다. 대응 기술도 함께 제시했다. 향후 자율주행·의료·금융 등 다양한 분야에서 AI 보안을 강화하는 데 활용될 것으로 기대된다.
우리 대학 전산학부 한준 교수 연구팀은 싱가포르국립대(NUS), 중국 저장대(Zhejiang University)와의 공동 연구를 통해 소형 안테나만으로 원거리에서 인공지능(AI) 모델 구조를 탈취할 수 있는 공격 시스템 ‘모델스파이(ModelSpy)’를 개발했다고 31일 밝혔다.
이 기술은 마치 도청 장치처럼 인공지능이 작동할 때 발생하는 미세한 신호를 포착해 내부 구조를 분석하는 방식이다. 연구팀은 인공지능 연산을 담당하는 그래픽 처리 장치(GPU)에서 발생하는 전자기파에 주목했다.
AI가 복잡한 연산을 수행할 때 GPU에서는 미세한 전자기 신호가 발생하는데, 연구팀은 이 신호의 패턴을 분석해 모델의 층 구성과 세부 설정값을 복원하는 데 성공했다.
실험 결과, 최신 GPU 5종을 대상으로 벽 너머나 최대 6m 거리에서도 인공지능 모델 구조를 높은 정확도로 파악할 수 있었다. 특히 딥러닝 모델의 핵심 구조인 레이어를 최대 97.6%의 정확도로 추정했다.
이번 기술은 기존 해킹처럼 서버에 직접 침투하거나 악성코드를 설치할 필요 없이, 가방에 넣을 수 있는 소형 안테나만으로도 공격이 가능하다는 점에서 큰 보안 위협으로 평가된다.
연구팀은 이러한 기술이 악용될 경우 기업의 핵심 AI 자산이 외부로 유출될 수 있다고 보고, 전자기파 교란이나 연산 난독화 등 대응 기술도 함께 제시했다. 단순한 공격 시연을 넘어 현실적인 방어 방안을 제안했다는 점에서 책임 있는 보안 연구 사례로 평가된다.
한준 교수는 “이번 연구는 AI 시스템이 물리적 환경에서도 새로운 공격에 노출될 수 있음을 입증한 사례”라며 “자율주행이나 국가 기반 시설과 같은 중요한 AI 인프라를 보호하기 위해 하드웨어와 소프트웨어를 아우르는‘사이버-물리 보안’체계 구축이 중요하다”고 밝혔다.
이번 연구는 KAIST 전산학부 한준 교수가 공동 교신저자로 참여했으며, 컴퓨터 보안 분야 최고 권위 학술대회인 ‘NDSS(Network and Distributed System Security Symposium) 2026’에서 발표됐다. 또한 연구의 혁신성을 인정받아 최우수 논문상을 수상했다.
※ 논문명: Peering Inside the Black-Box: Long-Range and Scalable Model Architecture Snooping via GPU Electromagnetic Side-Channel,
논문 링크: https://www.ndss-symposium.org/ndss-paper/peering-inside-the-black-box-long-range-and-scalable-model-architecture-snooping-via-gpu-electromagnetic-side-channel/
2026.03.31
조회수 3066
-
‘알파폴드 한계’ 넘었다…약물 작동까지 예측한다
우리 몸의 단백질은 스위치처럼 작동한다. 약물이 단백질에 결합하면 결합 부위 구조가 변하고, 그 변화가 단백질 전체로 전달돼 기능이 켜지거나 꺼진다. 구글 딥마인드의 알파폴드3는 약물-단백질 결합 여부와 결합 부위의 3차원 구조를 예측하는 데 성공했지만, 약물이 결합한 뒤 단백질 내부에서 어떻게 신호를 전달하고 단백질 전체 구조를 바꿔서 실제로 단백질의 기능을 활성화하거나 억제하는지까지는 예측하지 못했다. 우리 대학 연구진이 약물이 ‘붙는지’가 아니라 ‘실제로 작동하는지’까지 예측하는 AI를 개발했다.
우리 대학은 바이오및뇌공학과 이관수 교수 연구팀이 대표적인 신약 표적인 G-단백질 결합 수용체(GPCR)에 대해, 후보 물질이 단순히 결합하는지를 넘어 실제로 단백질을 활성화하는지까지 예측하는 인공지능 모델 ‘GPCRact(지피씨알액트)’를 개발했다고 8일 밝혔다.
GPCR(G-Protein Coupled Receptor)은 세포 표면에 있는‘신호 수신기’역할을 한다. 호르몬이나 신경전달물질, 약물이 세포 밖에서 신호를 보내면 이를 받아 세포 안으로 전달하는 문(게이트) 역할을 한다. 인체에는 약 800여 종의 GPCR이 존재하며, 현재 시판 약물의 약 30~40%가 이를 표적으로 한다. 심장 박동, 혈압 조절, 통증 감지, 면역 반응, 감정 조절 등 다양한 생리 기능에 관여하는 핵심 단백질이다.
하지만 약물이 GPCR에 결합했다고 해서 항상 원하는 기능이 작동하는 것은 아니다. 결합 이후 단백질 내부에서 일어나는 구조 변화와 신호 전달 과정이 실제 작용 여부를 결정한다. 이를 ‘알로스테릭 신호 전파’라고 한다.
연구팀은 약물 작용 과정을 ① 약물-표적 결합 단계 ② 단백질 내부 신호 전파 단계로 나누어 AI가 단계적으로 학습하도록 설계했다. 단백질의 3차원 구조를 원자 수준 그래프로 표현하고, 중요한 신호 전파 경로를 학습할 수 있도록‘어텐션 메커니즘’을 적용했다. 이를 통해 AI가 약물 결합 신호와 함께 단백질 내부 신호 전파 경로를 파악하여 단백질의 활성을 예측하도록 했다.
그 결과, 기존 모델이 어려워했던 복잡한 구조의 단백질에서도 약물 활성 예측 성능을 크게 향상시켰다. 이번 모델은 단순히 ‘활성’ 또는 ‘비활성’결과만 제시하지 않는다. 예측의 근거가 되는 단백질 내부 핵심 신호 경로를 제시해, 이른바 ‘블랙박스 AI’의 한계를 극복했다.
이는 연구자가 결과를 해석하고 검증할 수 있게 해 신약 개발의 신뢰성과 효율성을 동시에 높일 수 있는 중요한 진전이다. 앞으로 GPCR을 표적으로 하는 다양한 질병에서, 약물의 결합 여부뿐 아니라 실제 활성 여부까지 예측하는 정밀 신약 개발 AI 플랫폼으로 활용될 전망이다.
이관수 교수는 “알로스테릭 구조 변화는 약물이 단백질의 한 부분에 결합했을 때 그 영향이 내부로 전달돼 다른 부위의 기능까지 바뀌는 현상”이라며 “이 작동 원리를 딥러닝에 반영한 것이 이번 연구의 핵심”이라고 밝혔다. 이어 “앞으로 다양한 단백질로 확장하고, 세포와 인체 반응까지 예측하는 기술로 발전시키겠다”고 말했다.
손효진 박사과정생이 제1 저자로 참여한 이번 논문은 생물정보학 분야 최고 권위의 국제 학술지인 `브리핑스 인 바이오인포매틱스(Briefings in Bioinformatics, JCR 상위 2.2%)'에 1월 15일자 게재됐다.
※ 논문명 : GPCRact: a hierarchical framework for predicting ligand-induced GPCR activity via allosteric communication modeling, DOI: https://doi.org/10.1093/bib/bbaf719
※ 저자 정보 : 손효진 (KAIST, 제1 저자), 이관수 (KAIST, 교신저자)
이 연구는 개인기초연구(과학기술정보통신부, 한국연구재단, RS-2025-24533057)의 지원으로 수행됐다.
2026.03.09
조회수 4894