암세포만을 구별하는 고유 표식인 신생항원에 B 세포 반응성을 결합하면, 항암백신은 단기적인 면역 반응을 넘어 장기적으로 암을 기억하는 면역 체계로 확장될 수 있다. 이를 통해 암 재발을 효과적으로 억제할 수 있다는 가능성이 제시됐다. 국내 연구진이 이러한 접근을 현실화할 수 있는 AI 기반 개인맞춤형 항암백신 설계 기술을 개발해 주목받고 있다. KAIST는 바이오및뇌공학과 최정균 교수 연구팀이 네오젠로직과의 공동연구를 통해 개인맞춤형 항암백신 개발의 핵심 요소인 신생항원을 예측하는 새로운 AI 모델을 개발하고, 면역항암치료에서 B 세포의 중요성을 규명했다고 2일 밝혔다. 연구팀은 기존 신생항원 발굴이 주로 T 세포 반응성 예측에 의존하던 한계를 극복하고, T 세포와 함께 B 세포 반응성까지 통합적으로 고려한 AI 기반 신생항원 예측 기술을 개발했다. 해당 기술은 대규모 암 유전체 데이터와 동물실험, 항암백신 임상시험 자료를 통해 검증됐으며, 신생항원에 대한 B 세포 반응성을 정량적으로 예측할 수 있는 최초의 AI 기술로 평가된다. 신생항원은 암세포 돌연변이에서 유래한 단백질 조각으로 구성된 항원으로, 암세포 특이성을 지니고 있어 차세대 항암백신의 핵심 타깃으
인공지능(AI) 고도화로 센서·연산·메모리를 하나로 통합하는 초저전력 반도체 기술의 중요성이 커지고 있다. 그러나 기존 구조는 데이터 이동에 따른 전력 손실과 지연, 메모리 신뢰성 한계를 안고 있다. 이러한 문제를 해결할 ‘센서-연산-저장’ 통합 AI 반도체 핵심 기술을 국내 연구진이 제시해 국제 학계의 주목을 받았다. KAIST는 전기및전자공학부 전상훈 교수 연구팀이 지난 12월 8일부터 10일까지 미국 샌프란시스코에서 열린 세계 최고 권위의 반도체 학회 국제전자소자학회(IEEE IEDM 2025)에서 총 6편의 논문을 발표했으며, 이 가운데 하이라이트 논문과 최우수 학생 논문(Top Ranked Student Paper)으로도 동시에 선정됐다고 31일 밝혔다. 하이라이트 논문으로 선정된 M3D 집적 신경모방 시각 센서 연구는 사람의 눈과 뇌를 하나의 칩 안에 쌓아 올린 반도체다. 빛을 감지하는 센서와 뇌처럼 신호를 처리하는 회로를 초박막 층으로 제작해 수직으로 집적함으로써, 보고 판단하는 과정이 동시에 이뤄지는 구조를 구현했다. 이를 통해 연구팀은 카메라 센서 내부에서 바로 ‘보고 동시에 판단하는’ AI 연산이 수행되는 ‘세계 최초의 인-센서 스파이킹 컨
EEPROM은 오늘날 최첨단 애플리케이션에 필요한 특성을 갖춘 완성도 높은 비휘발성 메모리(NVM) 기술이다. 세계 최대의 EEPROM IC 공급업체이자 제품 및 공정 혁신을 선도하는 기업인 ST마이크로일렉트로닉스(STMicroelectronics, 이하 ST)의 커넥티드 보안 부문 멀티마켓 비즈니스 라인 상무, 실바인 피델리스(Sylvain Fidelis)가 이 기술의 핵심 강점과 함께 현재는 물론 미래에도 엔지니어들이 이를 선택하는 이유를 설명한다. 최초 제품 개발 이후 거의 40년이 지난 지금도, EEPROM은 많은 신규 설계에서 선호되는 비휘발성 메모리(NVM)로 사용되고 있다. EEPROM은 바이트 단위의 정밀도, 높은 전력 효율, 확장된 읽기/쓰기 사이클 수명, 장기 데이터 보존이 요구되는 애플리케이션에 적합하며, 사용이 간편하고 우수한 유연성과 확장성을 제공한다. 또한 고유 ID(UID) EEPROM 및 페이지 EEPROM과 같은 최근의 혁신은 AI 엣지 처리, 브랜드 보호, 지속가능성과 같은 현대의 설계 트렌드를 더 강력하게 지원한다. EEPROM 제조업체들은 기술을 지속적으로 발전시키고 생산 공정을 개선하여 스토리지 용량, 읽기/쓰기 성능,
국내 연구진이 비싼 데이터센터 GPU를 덜 쓰고, 주변에 있는 저렴한 GPU를 활용해 AI 서비스를 더 싸게 제공할 수 있는 기술을 개발했다. 대규모 언어 모델(LLM) 기반 AI 서비스는 지금까지 대부분 고가의 데이터센터 GPU에 의존해 왔다. 이로 인해 서비스 운영 비용이 높고, AI 기술 활용의 진입장벽도 컸다. 한국과학기술원(KAIST)은 전기및전자공학부 한동수 교수 연구팀이 데이터센터 밖에 널리 보급된 저렴한 소비자급 GPU를 활용해 LLM 인프라 비용을 크게 낮출 수 있는 새로운 기술 ‘스펙엣지(SpecEdge)’를 개발했다고 28일 밝혔다. SpecEdge는 데이터센터 GPU와 개인 PC나 소형 서버 등에 탑재된 ‘엣지 GPU’가 역할을 나눠 LLM 추론 인프라를 함께 구성하는 방식이다. 연구팀에 따르면 이 기술을 적용한 결과, 기존 데이터센터 GPU만 사용하는 방식에 비해 토큰(AI가 문장을 만들어내는 최소 단위)당 비용을 약 67.6% 절감할 수 있었다. 연구팀은 이를 위해 ‘추측적 디코딩(Speculative Decoding)’이라는 방법을 활용했다. 엣지 GPU에 배치된 소형 언어모델이 확률이 높은 토큰 시퀀스(단어 또는 단어 일부가 순서
배양 없이 1시간…비전문가도 현장에서 식중독균 진단 검사 시간·인력 부담 줄이며 식품 안전 관리 효율 높여 국내 연구진이 식품 속 주요 식중독균을 1시간 이내에 동시에 검출할 수 있는 전자동 진단 시스템을 개발하며, 식품 안전 관리 현장에 새로운 전환점을 제시했다. 기존 검사 방식 대비 검사 시간을 획기적으로 단축하면서도, 전문 인력 없이 현장에서 바로 활용할 수 있도록 자동화 수준을 끌어올린 것이 특징이다. 한국기계연구원 대경권융합연구본부 진단센서연구실 연구팀은 식품 탈리부터 핵산 전처리, 분자진단까지 전 과정을 하나의 장비에 통합한 ‘식중독 진단용 현장형 고속 전자동 통합 시스템’을 개발했다고 밝혔다. 해당 시스템은 식품의약안전처 고시에 포함된 16종의 주요 식중독균을 동시에 진단할 수 있도록 설계됐다. 기존 식중독 검사 표준법은 식품 시료에서 균을 배양해 확인하는 방식으로, 결과를 얻기까지 최소 수일에서 길게는 일주일가량이 소요된다. 분자진단 기술이 일부 도입되긴 했지만, 고가의 분석 장비와 숙련된 전문 인력이 필요해 급식시설이나 식품 제조 현장 등 실제 사고 발생 가능성이 높은 장소에서는 활용에 한계가 있었다. 이번에 개발된 시스템은 이러한 한계를 고
구글 제미나이(Gemini)를 비롯한 주요 상용 거대언어모델(LLM)이 효율성 향상을 위해 채택하고 있는 ‘전문가 혼합(Mixture-of-Experts, MoE)’ 구조가 새로운 보안 위협이 될 수 있다는 사실이 국내 연구진에 의해 세계 최초로 규명됐다. KAIST는 전기및전자공학부 신승원 교수와 전산학부 손수엘 교수 공동연구팀이 전문가 혼합 구조의 근본적인 보안 취약성을 악용한 공격 기법을 처음으로 제시하고, 해당 연구로 정보보안 분야 최고 권위 국제 학회인 ACSAC 2025에서 최우수논문상(Distinguished Paper Award)을 수상했다고 26일 밝혔다. MoE 구조는 하나의 대형 AI 모델 대신 여러 개의 ‘작은 전문가 AI 모델’을 두고, 입력 상황에 따라 일부 전문가만 선택적으로 호출하는 방식이다. 구글의 제미나이를 포함해 다수의 최신 LLM이 이 구조를 활용하고 있다. 연구팀은 이번 연구에서 공격자가 상용 LLM의 내부 구조에 직접 접근하지 않더라도, 단 하나의 악의적으로 조작된 ‘전문가 모델’이 오픈소스로 유통돼 혼합 구조에 포함될 경우, 전체 거대언어모델의 안전성이 심각하게 훼손될 수 있음을 실증적으로 입증했다. 정상적인 전문가들
액상 화학무기가 도심에 살포된 이후 확산과 잔류 위험을 정밀하게 예측할 수 있는 시뮬레이션 모델이 개발됐다. 해당 모델을 적용한 분석 결과, 일부 맹독성 화학작용제는 살포 직후뿐 아니라 이후에도 지속적인 위험을 유발할 수 있는 것으로 나타났다. 지표면에 가라앉은 화학작용제 액적이 증발하면서 2차 노출이 발생할 수 있기 때문이다. UNIST 지구환경도시건설공학과 최성득 교수 연구팀은 국방과학연구소 연구진과 공동으로 살포된 액상 화학작용제의 이동과 잔류 특성을 분석하는 예측 모델 ‘DREAM-CWA’를 개발했다고 23일 밝혔다. DREAM-CWA는 화학작용제가 공기 중 기체로만 확산된다는 기존 예측 모델과 달리, 액적 형태로 지표면에 잔류할 수 있다는 점을 실질적으로 반영한 것이 특징이다. 특히 액적이 가라앉는 표면을 토양, 아스팔트, 콘크리트 등 도심 환경 요소로 구분해 분석함으로써 시뮬레이션 정확도를 높였다. 표면 특성에 따라 액적에서 증발해 대기로 재유입되는 독성 물질의 양이 달라지기 때문이다. 연구팀은 상온에서 끈적한 액체 상태로 존재하며 맹독성을 지닌 지속성 화학작용제가 살포된 상황을 가정해 시뮬레이션을 수행했다. 그 결과 살포 30분 후 지표면에 남은
개요 AI 모델은 아무리 정교해도 환경이 변하면 성능이 반드시 저하될 수밖에 없다. 최초 완벽에 가까운 정확도를 갖추고 있었다 하더라도 조명 각도부터 소재 반사율, 금형의 마모, 계절별 온습도에 이르기까지 끊임없이 변하는 실제 공정과정에서 차이가 발생하게 되기 때문이다. 이러한 이유로 제조 AI의 진정한 가치는 ‘배우는 공장(Learning Factory)’에 있다. 아무리 잘 보는 AI라고 하더라도 변화에 적응하려면 한 번의 학습으로 끝나는 구조가 아니라 지속적으로 배우고 보정하는 구조(Continuous Learning Loop)를 가져야 한다는 것이다. 이 구조의 핵심이 바로 데이터 루프(Data Loop)다. 그러나 딥러닝의 성능은 단순히 데이터의 ‘양’으로만 결정되지는 않는다. 무의미하거나 부정확한 데이터는 학습 효율이 떨어지고 모델이 불안정해지는 결과가 발생한다. 제조 AI의 본질은 ‘양’이 아니라 ‘정확도’와 ‘전달 구조’에 있다는 것이다. 다시 말해 AI가 어떤 피드백을 얼마나 빠르고 정확하게 받아들이는가가 핵심이다. 제조 AI 학습의 3단계 순환 구조 제조 AI의 정확도를 위해 학습 과정은 아래와 같은 순환형 구조로 설계되어야 한다. 첫째,
환자 자신의 세포로 만든 장 줄기세포(Intestinal Stem Cells, ISCs)는 면역 거부 반응이 적어 난치성 장 질환 치료의 대안으로 주목받아 왔다. 그러나 기존 배양 방식은 쥐 유래 섬유아세포나 매트리젤 등 동물 성분에 의존해 왔고, 이로 인해 안전성과 규제 문제로 임상 적용에 한계가 있었다. 이에 국내 연구진이 동물 유래 성분 없이도 장 줄기세포를 안정적으로 배양하고, 손상 조직으로의 이동과 재생 능력까지 높일 수 있는 기술을 개발했다. KAIST는 생명화학공학과 임성갑 교수 연구팀이 한국표준과학연구원 나노바이오 측정그룹, 한국생명공학연구원 줄기세포 융합연구센터와 공동 연구를 통해 무이종 환경에서 장 줄기세포의 이동성과 재생 능력을 획기적으로 향상시키는 고분자 기반 배양 플랫폼을 개발했다고 23일 밝혔다. 공동연구팀은 줄기세포 치료제의 임상 적용을 가로막아 온 동물 유래 성분 의존 문제를 해결하기 위해, 동물 성분 없이 사용 가능한 고분자 기반 배양 표면 기술 ‘PLUS(Polymer-coated Ultra-stable Surface)’를 개발했다. PLUS는 기상 증착 방식으로 코팅된 합성 고분자 표면으로, 표면 에너지와 화학 조성을 정밀하
현대 물리학의 두 축인 양자역학과 상대성이론은 공간과 시간을 바라보는 관점에서 오랫동안 조화를 이루지 못해 왔다. 상대성이론이 공간과 시간을 ‘시공간’으로 통합해 다루는 반면, 양자역학은 공간에 대해서만 양자상태를 정의하고 시간은 변화의 과정으로 취급해 왔기 때문이다. 이러한 차이는 두 이론이 100년 넘게 근본적 불일치를 안고 발전해 온 배경으로 꼽힌다. 이 같은 문제에 대해 국내 연구진이 새로운 이론적 틀을 제시했다. UNIST는 물리학과 이석형 교수가 시간에 따라 전개되는 양자역학적 동역학 전체를 하나의 거대한 양자상태로 다루는 새로운 이론을 정립하고, 이를 세계적 권위의 학술지인 Physical Review Letters에 게재했다고 22일 밝혔다. 이 교수가 제안한 핵심 개념은 ‘시간 위의 다자 양자상태’다. 이는 여러 시점에 걸쳐 일어나는 양자 과정을 각각 분리된 과정으로 보지 않고, 하나의 통합된 양자상태로 묶어 표현하는 방식이다. 이를 통해 공간적으로 떨어진 계뿐 아니라 시간적으로 분리된 계 역시 동일한 수학적 구조 안에서 다룰 수 있게 됐다. 연구진은 그동안 서로 다른 언어로 기술돼 온 공간상의 양자 ‘상태’와 시간상의 양자 ‘과정’을 하나의
우리가 사용하는 플라스틱 제품 대부분은 녹인 플라스틱을 금형에 주입해 동일한 제품을 대량 생산하는 사출성형 공정을 통해 만들어진다. 그러나 공정 조건이 조금만 달라져도 불량이 발생하기 쉬워, 그동안 제조 현장에서는 숙련자의 경험과 감에 크게 의존해 왔다. 고숙련자 은퇴와 외국인 인력 증가로 제조 지식 단절이 우려되는 가운데, 국내 연구진이 인공지능으로 공정을 스스로 최적화하고 지식을 전수하는 해법을 제시했다. KAIST는 기계공학과 유승화 교수 연구팀이 사출 공정을 스스로 최적화하는 생성형 AI 기술과, 현장 지식을 누구나 활용할 수 있도록 지원하는 LLM 기반 지식 전이 시스템을 세계 최초로 개발하고 그 성과를 국제학술지에 연속 게재했다고 22일 밝혔다. 연구는 기계공학과와 이노코어 PRISM-AI 센터가 공동으로 수행했다. 첫 번째 성과는 환경 변화나 요구 품질에 따라 자동으로 최적 공정 조건을 추론하는 생성형 AI 기반 공정추론 기술이다. 기존에는 온도나 습도, 목표 품질이 바뀔 때마다 숙련자가 반복적인 시행착오를 거쳐 공정 조건을 다시 설정해야 했다. 연구팀은 실제 사출 공장에서 수개월간 수집한 환경 데이터와 공정 파라미터를 활용해 확산 모델(Diff
신체에 물리적인 부드러움을 갖춘 로봇 암은 신체의 부드러움을 활용해 물체 조작을 학습하고 수행한다. 이 글에서는 이러한 형태학적 계산을 이용한 로봇의 물체 조작 학습에 관련된 연구 성과를 소개한다. 구체적으로는 유연 손목의 설계, 유연 손목을 이용한 물체 조작의 학습, 형태학적 계산에 의한 환경 인식, 환경 중의 물체를 이용한 형태학적 계산을 소개한다. 유연 로봇에 의한 물체 조작의 학습 신체에 물리적인 부드러움을 갖춘 로봇 암은 신체의 부드러움을 활용해 물체와 부드럽게 접촉할 수 있다. 로봇이 물리적인 부드러움을 활용해 물체와 부드럽게 접촉할 수 있으면, 물체나 로봇의 모델, 계측 및 실행의 오차를 접촉을 통해 보상할 수 있다. 물리적인 부드러움을 갖춘 로봇 암은 물체와 부드럽게 접촉하기 때문에 시행착오나 교시에 있어서 다양한 접촉을 적극적으로 시도하고, 안전하게 실패 행동을 시험하여 다양한 학습 데이터를 수집할 수 있다. 기계학습을 이용해 로봇의 제어칙이나 행동칙을 자율적으로 획득할 수 있으면, 모델화가 어려운 물리적으로 부드러운 신체의 제어칙을 획득할 수 있고, 수동으로 설계할 수 없을 정도로 다양한 행동을 만들어 내는 행동칙을 생성할 수 있다. 이상과
좀처럼 실현될 수 없다고 생각했던 (사람이나 동물에 가까운) 놀라운 로봇이 등장하고 있다. 여기서 실현된 기술을 대단한 기술이라고 생각하면 쉽게 손을 댈 수 없다. 하지만 보통의 기술(조합)이나 정도로도 가능할지도 모른다. 많은 사람이 손을 대야 이룰 수 있는 가능성이 넓어지고 다양한 로봇이 탄생한다. 또한 개발 비용과 제조비용을 줄일 수 있다. AI가 주목받는 가운데 수동보행은 역학적인 구조 속에 필요한 계산이 이미 내재되어 있다거나, 컴퓨터가 없어도 충분히 지능적이다 라고 평가되고 있다. 수동 보행의 경우, 걸을 수 있는 원리가 존재한다. 수동 보행 로봇의 연구는 곧 역학 원리의 발견과 그 활용법 개발에 다름 아니다. 이케마타 등은 보폭 일정(착지 시의 고관절 각도 일정)에 의한 안정화 원리를 발견하고, 가느다란 미음 자모형 프레임을 소형 수동 보행 로봇에 부착하는 것만으로 안정된 수동 보행을 실현했다. 기네스 세계 기록에도 인정받아 대단한 로봇일지 모르나, 실현된 기술은 로우 테크이며 수제작 수준이다. 아직 사람이나 동물의 신체에는 여러 가지 역학 원리(힌트)가 숨겨져 있을 것이다. 그 원리를 공학적으로 잘 살리면 지금보다 더 사람이나 동물에 가까운 놀
각종 제조·조립 현장에서 무거운 대상물을 들어 올리고 이동시키며, 정확한 위치로 정렬해 조립 포지션에 안착시키는 작업은 대부분 반복적인 메커니즘으로 이뤄진다. 문제는 이 반복성이 오히려 위험을 증폭시킨다는 점이다. 작업자가 하중을 버티는 시간이 길어질수록 피로는 누적되고, 자세가 무너지기 시작하면 안전사고와 품질 저하가 동시에 발생한다. 이는 개인 숙련도의 문제가 아니라 공정 설계와 장비 선택 방식에서 비롯되는 구조적 리스크다. 이러한 배경에서 많은 현장은 매니퓰레이터(Manipulator)를 도입한다. 작업자가 직접 조작하되 장비가 하중을 지지하고, 자세·각도·위치를 보조하는 장치다. 그러나 실제 현장에서는 매니퓰레이터 도입 시 사양표부터 비교하는 경우가 많다. 겉으로 보기에는 빠른 의사결정처럼 보이지만, 경험적으로 이 접근은 가장 많은 재작업과 공수 증가를 낳는다. 매니퓰레이터는 자동화 로봇이 아니다. 판단과 경로를 장비가 대신 수행하는 자동화 장치가 아니라, 작업자가 조작과 판단을 주도하고 장비는 힘과 도달거리, 안정성을 보강하는 인체공학적 핸들링 장치다. 핵심은 장비가 무엇을 할 수 있느냐가 아니라, 작업자가 무엇을 더 안전하게, 더 오래, 더 일정한
우리가 마트에서 수산물을 구매할 때, 해당 수산물이 어디서 잡혀 어떤 과정을 거쳐 식탁에 오르는지 확인하기는 쉽지 않다. 복잡한 유통 구조로 인해 이동 경로를 투명하게 파악하는 데 한계가 있었기 때문이다. KAIST 연구진이 이러한 문제를 해결하고, 전 세계 어디서나 통용되는 국제 기준으로 수산물 이동 경로를 확인할 수 있는 디지털 기술을 개발했다. KAIST는 KAIST 오토아이디랩 부산혁신연구소 김대영 소장이 개발한 GS1 국제표준 기반 디지털전환 솔루션 ‘올리오패스(OLIOPASS)’가 글로벌 수산물 이력추적 협의체 GDST의 성능 검증을 통과해, 국내 최초로 ‘GDST 호환 솔루션(Capable Solution)’ 인증을 획득했다고 19일 밝혔다. GDST 인증을 받은 기술은 전 세계에서 13개에 불과하다. 이 가운데 생산·가공·유통·판매에 이르는 전 과정을 관리하는 전 구간 이력추적 기술을 지원하는 사례는 KAIST를 포함해 전 세계 7곳뿐이다. GDST는 2015년 세계경제포럼 제안으로 설립된 국제 협의체로, 수산물 이동 전 과정의 정보를 국제표준에 따라 디지털로 기록하고 공유하는 체계를 구축해 왔다. 수산물 이동 과정에서 반드시 기록해야 할 핵심
상호명(명칭) : (주)첨단 | 등록번호 : 서울,자00420 | 등록일자 : 2013년05월15일 | 제호 :헬로티(helloT) | 발행인 : 이종춘 | 편집인 : 김진희 |
본점 : 서울시 마포구 양화로 127, 3층, 지점 : 경기도 파주시 심학산로 10, 3층 | 발행일자 : 2012년 4월1일 | 청소년보호책임자 : 김유활 | 대표이사 : 이준원 | 사업자등록번호 : 118-81-03520 | 전화 : 02-3142-4151 | 팩스 : 02-338-3453 | 통신판매번호 : 제 2013-서울마포-1032호
copyright(c) HelloT all right reserved
UPDATE: 2026년 01월 28일 20시 42분
