충남대학교는 신소재공학과 박상백 교수와 전남대학교 기계공학부 차진혁 교수 공동 연구팀이 높은 온도에서도 폭발 위험이 없는 차세대 리튬 반고체전지 기술을 개발했다고 8일 밝혔다. 이번 연구는 액체 전해질을 사용하는 기존 리튬전지의 고온·충격 환경에서의 화재 및 폭발 위험을 근본적으로 줄이는 데 초점을 맞췄다. 연구팀은 전해질이 흐르지 않도록 구조적으로 가두는 방식의 새로운 접근법을 적용했다. 연구팀은 액체 전해질을 1차원 나노 구조의 금속유기골격체 내부, 서브나노미터 수준의 초미세 공간에 완전히 가두는 데 성공했다. 이를 통해 전해질이 외부로 이동하지 않는 반고체 상태를 구현했다. 이번에 도입한 1차원 MOF 구조는 연속적인 통로를 통해 기공 외부에 남아 있는 액체 전해질을 제거할 수 있도록 설계됐다. 이 구조를 활용해 전해질 전체를 반고체 상태로 전환했다. 연구팀은 인공지능 기반 시뮬레이션을 활용해 머리카락 굵기보다 수만 배 작은 초미세 공간 속에서 리튬 이온이 이동하는 과정을 분석했다. 이를 통해 초미세 공간에서의 리튬 이온 거동을 세계 최초로 규명했다. 실험 결과 기존 액체 전해질 기반 리튬전지는 100도의 고온 환경에서 성능이 급격히 저하되거나 작동이
비닐처럼 얇고 유연하면서도 높은 열을 견딜 수 있는 차세대 고성능 통신 반도체 스위치가 개발됐다. 고온 환경과 반복적인 굴곡에도 안정적인 5G·6G 통신이 가능해 웨어러블 기기와 자율주행차 등 가혹한 환경에서의 활용이 기대된다. UNIST는 전기전자공학과 김명수 교수 연구팀이 단국대학교 김민주 교수 연구팀과 공동으로 고성능 유연 RF 스위치를 개발했다고 8일 밝혔다. RF 스위치는 신호 간섭을 줄이고 전력을 효율적으로 분배하는 핵심 통신 부품이다. 기존 상용 RF 스위치는 딱딱한 무기물 기반으로, 접힘이나 반복 굴곡에 취약해 완전히 말리거나 착용 가능한 통신 기기 구현에는 한계가 있었다. 연구팀이 개발한 RF 스위치는 비닐처럼 얇고 유연한 고분자 기반임에도 높은 내열성과 무기물 수준의 통신 성능을 동시에 확보했다. 일반적인 유기 고분자 RF 소자는 열에 약하고, 특히 5G·6G 대역에서 성능 저하가 컸다. 실험 결과 해당 RF 스위치는 128.7℃의 고온 환경에서도 10년 이상 데이터가 유지될 수 있는 수준의 안정성을 보였다. 통신 성능 시험에서는 밀리미터파 대역을 포함해 최대 5.38테라헤르츠까지 신호를 안정적으로 전달하고 차단했다. 이는 고분자 기반 스위
메모리와 태양전지 등은 모두 반도체로 만들어지며, 반도체 내부에는 전기 흐름을 방해하는 보이지 않는 결함이 숨어 있을 수 있다. 공동연구진이 이러한 ‘숨은 결함(전자 트랩)’을 기존보다 약 1000배 더 민감하게 찾아낼 수 있는 새로운 분석 방법을 개발했다. 이 기술은 반도체 성능과 수명을 높이고, 불량 원인을 보다 정확히 규명해 개발 비용과 시간을 크게 줄일 수 있을 것으로 기대된다. KAIST는 신소재공학과 신병하 교수와 IBM T. J. Watson 연구소 오키 구나완 박사 공동 연구팀이 반도체 내부에서 전기를 방해하는 결함인 전자 트랩과 전자의 이동 특성을 동시에 분석할 수 있는 새로운 측정 기법을 개발했다고 8일 밝혔다. 반도체 안에는 전자를 먼저 붙잡아 이동을 막는 전자 트랩이 존재할 수 있다. 전자가 여기에 걸리면 전기가 원활히 흐르지 못해 누설 전류가 발생하거나 소자 성능이 저하된다. 따라서 반도체 성능을 정확히 평가하려면 전자 트랩이 얼마나 많고, 전자를 얼마나 강하게 붙잡는지를 파악하는 것이 중요하다. 연구팀은 오래전부터 반도체 분석에 사용돼 온 홀 측정에 주목했다. 홀 측정은 전기와 자기장을 이용해 전자의 움직임을 분석하는 방법이다. 연구
DGIST 에너지공학과 인수일 교수 연구팀은 첨가제 및 반용매 공정 제어 기술을 적용해 페로브스카이트 기반 베타전지의 핵심 구성 요소인 방사선 흡수체 성능을 획기적으로 향상시키는 데 성공했다. 이 기술을 통해 방사선 에너지를 전기로 변환하는 효율과 장기 안정성을 동시에 크게 개선함으로써, 외부 충전 없이 장기간 작동 가능한 고성능 차세대 베타전지 개발에 성공했다고 밝혔다. 최근 인공지능, 사물인터넷, 우주 탐사 기술이 빠르게 발전하면서 극한 환경에서도 유지보수 없이 장기간 안정적으로 전력을 공급할 수 있는 차세대 에너지원에 대한 수요가 증가하고 있다. 그러나 기존 리튬이온 배터리는 수명이 제한적이고 화재 위험이 있으며, 주기적인 충전과 교체가 필요하다는 한계를 지닌다. 이러한 한계를 극복할 대안으로 주목받는 베타전지는 방사성 동위원소가 붕괴하면서 방출하는 베타선 전자를 전기에너지로 변환하는 장치다. 외부 전력 공급 없이 자체적으로 전력을 생산할 수 있고, 동위원소의 반감기에 따라 매우 긴 수명을 확보할 수 있으며, 방사선 관리 또한 가능한 수준이라는 장점이 있다. 다만 기존 베타전지는 방사선 흡수체 소재의 낮은 에너지 변환 효율로 인해 상용화에 어려움을 겪어
광주과학기술원(GIST)은 환경·에너지공학과 윤진호 교수가 이끄는 국제 공동연구팀이 인공지능 기술을 활용해 미국 서부 지역의 기상 상태를 최대 32일 뒤까지 기존보다 더 세밀하고 정확하게 예측할 수 있는 새로운 기상예보 방법을 개발했다고 밝혔다. 이번 연구는 복잡한 산악·해안·내륙 지형이 혼재해 예측 난도가 높은 미국 서부 지역에서 성능을 검증했다는 점에서, 기후위기 시대 고해상도 지역 예보 기술의 새로운 가능성을 제시한다. 기존 기상청과 유럽중기예보센터 등에서 활용하는 수치예보 모델은 약 120km 간격의 비교적 넓은 예보 구역 단위로 정보를 제공해 지역 특성을 충분히 반영하기 어렵다는 한계가 있었다. 특히 미국 서부는 고도 차이가 크고 해양과 내륙 간 기단 교환이 활발해 실제 날씨가 지형에 따라 크게 달라지는 지역으로, 예측 정확도를 높이기 어려운 곳으로 알려져 있다. 이를 해결하기 위해 연구팀은 날씨가 시간에 따라 어떻게 이어지고 변화하는지를 함께 학습하도록 설계한 ‘3차원 U-Net 기반 AI 예보 후처리 모델’을 개발했다. 이 모델은 예보 선행시간 전체를 하나의 연속된 흐름으로 분석해, 비교적 정확도가 높은 초단기·중기 예보 정보를 활용해 연장중기
배터리는 스마트폰과 전기차 등 현대 사회의 필수 기술이지만 화재·폭발 위험과 높은 비용이라는 한계를 안고 있다. 이를 해결할 대안으로 전고체 배터리가 주목받아 왔지만, 안전성·성능·가격을 동시에 만족시키는 데에는 어려움이 있었다. 이러한 가운데 국내 연구진이 비싼 금속을 추가하지 않고 구조 설계만으로 전고체 배터리 성능을 수 배 향상시키는 데 성공했다. KAIST는 신소재공학과 서동화 교수 연구팀이 서울대학교 정성균 교수, 연세대학교 정윤석 교수, 동국대학교 남경완 교수 연구팀과의 공동 연구를 통해 저비용 원료를 사용하면서도 폭발과 화재 위험이 낮고 성능이 우수한 전고체 배터리 핵심 소재 설계 방법을 개발했다고 7일 밝혔다. 일반 배터리는 액체 전해질 안에서 리튬 이온이 이동하는 반면 전고체 배터리는 액체 대신 고체 전해질을 사용한다. 이로 인해 전고체 배터리는 안전성이 높지만 고체 내부에서 리튬 이온이 빠르게 이동하도록 만들기 위해서는 그동안 값비싼 금속을 사용하거나 복잡한 제조 공정이 필요하다는 한계가 있었다. 연구팀은 전고체 전해질 내부에 리튬 이온이 원활하게 이동할 수 있는 통로를 만들기 위해 산소(O²⁻)와 황(S²⁻)과 같은 이가 음이온에 주목했다
배터리 용량을 늘리려고 전극 자체를 두껍게 만들면 출력이 떨어지는 문제가 생긴다. 이를 해결할 후막 전극이 새롭게 개발됐다. 주행 거리가 길어져도 오르막길을 오를 때 힘이 딸리지 않는 전기차 개발에 청신호가 켜졌다. UNIST 에너지화학공학과 정경민 교수팀은 배터리 후막 전극 내 다공성 구조를 최적화함으로써 출력을 기존 대비 75% 높인 대용량 전극을 개발했다고 5일 밝혔다. 전기차 시장의 화두는 단연 주행거리다. 배터리 전극 자체를 두껍게 쌓아 배터리 용량을 늘리는 ‘후막’ 전극 기술이 주목받는 이유다. 하지만 전극이 두꺼워지면 순간적으로 전기를 방출하는 출력 성능이 떨어지는 문제가 뒤따른다. 전극 두께만큼 리튬이온이 이동해야 할 거리가 늘어나고 통로가 복잡해져 방전 과정이 느려지기 때문이다. 연구팀이 개발한 전극은 면적당 용량이 10mAh/cm²에 달하는 고용량임에도 출력 성능이 뛰어나다. 특히 2C 고출력 환경에서 기존 전극은 면적당 용량이 0.98 mAh/cm²에 그친 반면, 연구팀이 개발한 전극은 1.71 mAh/cm²를 기록했다. 짧은 시간 안에 뽑아낼 수 있는 전기 에너지가 약 75% 늘어났다는 의미다. 연구팀은 전극 내 기공을 두 종류로 분류하
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,
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 09일 18시 53분
