KAIST

최근 자연어나 이미지, 동영상, 음악 등 다양한 분야에서 주목받는 생성형 AI가 신약 설계 분야에서도 기존 신규성 문제를 극복하고 새로운 혁신을 일으키고 있다고 하는데 어떤 기술일까? 우리 대학 화학과 김우연 교수 연구팀이 단백질-분자 사이의 상호작용을 고려해 활성 데이터 없이도 타겟 단백질에 적합한 약물 설계 생성형 AI를 개발했다고 18일 밝혔다. 신규 약물을 발굴하기 위해서는 질병의 원인이 되는 타겟 단백질에 특이적으로 결합하는 분자를 찾는 것이 중요하다. 기존의 약물 설계 생성형 AI는 특정 단백질의 이미 알려진 활성 데이터를 학습에 활용하기 때문에 기존 약물과 유사한 약물을 설계하려는 경향이 있다. 이는 신규성이 중요한 신약 개발 분야에서 치명적인 약점으로 지적되어 왔다. 또한 사업성이 높은 계열 내 최초(First-in-class) 타겟 단백질에 대해서는 실험 데이터가 매우 적거나 전무한데, 이 경우 기존 방식의 생성형 AI를 활용하는 것이 불가능하다. 연구팀

디스플레이(조명) 기술에서는 고속화가 아주 중요한 성능 중 하나로 꼽힌다. 최근 주요 스마트폰 제조사들은 화면 전환 속도가 기존의 초당 60회보다 크게 향상된 초당 120회의 고속 디스플레이를 선보였다. 이런 고속 디스플레이를 탑재한 모델의 이용자들 사이에 ‘한번 경험하면 예전으로 돌아갈 수 없다’는 말이 회자될 정도로, 고속화는 상업적인 가치도 크다고 볼 수 있다. 우리 대학 바이오및뇌공학과 장무석 교수 연구팀이 북해도대학 전자과학연구소의 시부카와 아츠시 부교수, 미카미 히데하루 교수, 오카야마대학 의·치·약과학과의 스도 유키 교수 연구팀과 공동연구를 통해 세계 최고속의 3차원 광 패턴 조명 기술*을 개발하는 데 성공했다고 15일 밝혔다. *광 패턴 조명 기술: 빛을 특정 패턴이나 형태로 조절하여 원하는 조명 효과를 얻는 기술 광 패턴 조명 기술은 우리에게 친숙한 디스플레이나 빔프로젝터에서 찾아볼 수 있다. 디스플레이나 빔

물질 증착, 패터닝, 식각 등 복잡한 과정들이 필요했던 기존 반도체 공정과는 달리, 원하는 영역에서만 선택적으로 물질을 바로 증착하는 기술은 공정을 획기적으로 줄일 수 있는 차세대 기술로 크게 주목받고 있다. 특히, 현재의 실리콘을 대체할 차세대 이차원 반도체에서 이런 선택적 증착 기술 개발이 핵심 요소기술로 중요성이 더욱 커지고 있다. 우리 대학 신소재공학과 강기범 교수 연구팀과 고려대학교 김용주 교수 연구팀이 이차원 반도체의 수평 성장 성질을 이용해 쉽고 간편한 산화물, 금속 등의 10나노미터 이하 미세 패터닝 기술을 공동 개발했다고 28일 밝혔다. 강 교수 연구팀은 차세대 반도체 물질로 주목받는 이차원 전이금속 ‘칼코겐’ 물질의 독특한 결정학적 특징을 패터닝 기술에 접목했다. 일반적인 물질과는 달리 이차원 물질은 성장 시 수평 방향으로만 자랄 수 있기에 서로 다른 이차원 물질을 반복적으로 성장해 10나노미터 이하 수준의 이차원 반도체 선형 패턴을

차세대 반도체 메모리의 소재로 주목을 받고 있는 강유전체는 차세대 메모리 소자 혹은 작은 물리적 변화를 감지하는 센서로 활용되는 등 그 중요성이 커지고 있다. 이에 반도체의 핵심 소자가 되는 강유전체를 화학물질없이 식각할 수 있는 연구를 성공해 화제다. 우리 대학 신소재공학과 홍승범 교수가 제네바 대학교와 국제공동연구를 통해 강유전체 표면의 비대칭 마멸* 현상을 세계 최초로 관찰 및 규명했고, 이를 활용해 혁신적인 나노 패터닝 기술**을 개발했다고 26일 밝혔다. *마멸: 물체 표면의 재료가 점진적으로 손실 또는 제거되는 현상 **나노 패터닝 기술: 나노스케일로 소재의 표면에 정밀한 패턴을 생성하여 다양한 첨단 기술 분야에서 제품 성능을 향상시키는데 사용되는 기술 연구팀은 강유전체 소재의 표면 특성에 관한 연구에 집중했다. 이들은 원자간력 현미경(Atomic Force Microscopy)을 활용해 다양한 강유전체의 트라이볼로지(Tribology, 마찰 및 마모) 현상

신약 개발이나 재료과학과 같은 분야에서는 원하는 화학 특성 조건을 갖춘 물질을 발굴하는 것이 중요한 도전으로 부상하고 있다. 우리 대학 연구팀은 화학반응 예측이나 독성 예측, 그리고 화합물 구조 설계 등 다양한 문제를 동시에 풀면서 기존의 인공지능 기술을 뛰어넘는 성능을 보이는 기술을 개발했다. 김재철AI대학원 예종철 교수 연구팀이 분자 데이터에 다중 모달리티 학습(multi-modal learning) 기술을 도입해, 분자 구조와 그 생화학적 특성을 동시에 생성하고 예측이 가능해 다양한 화학적 과제에 광범위하게 활용가능한 인공지능 기술을 개발했다고 25일 밝혔다. 심층신경망 기술을 통한 인공지능의 발달 이래 이러한 분자와 그 특성값 사이의 관계를 파악하려는 시도는 꾸준히 이루어져 왔다. 최근 비 지도 학습(unsupervised training)을 통한 사전학습 기법이 떠오르면서 분자 구조 자체로부터 화합물의 성질을 예측하는 인공지능 연구들이 제시되었으나 새로운 화합물의