현재 바이오 분야에서 분리에 대한 수요가 급증함에 따라, 투과율 및 결합능 측면에서 높은 성능을 띠는 막크로 마토그래피가 수지 크로마토그래피의 대체 분리 공정으로 부상하고 있다. 실증을 기반으로 하여 막 소재가 결정되는 기존 분 리막 공정과 달리, 막크로마토그래피의 경우 분리하고자 하는 목표 물질에 적합한 분리 메커니즘 이해 그리고 이를 기반한 공정 설계가 필요하다. 본 논문에서는 생특이성을 활용하여 선택적으로 거대 분자를 포집하는 친화성 작용, 전하를 활용하여 생분자와 결합하는 이온 교환 작용 그리고 소수성을 활용하여 생분자와 결합하는 소수성 작용과 같은 막크로마토그래피 주요 분리 메커니즘들에 대해 다루고자 한다. 또한 본 논문에서는 단계적 측면에서 또는 소재 측면에 막크로마토그래피 기술 설계 시 고려해야할 변인들에 대해서 다루고자 한다.

Polyamide (PA) thin-film composite (TFC) membranes consisting of m-phenylenediamine (MPD) and trimesoylchloride (TMC)　monomers have been widely used in desalination process for decades. Still, a rational design of PA TFC membranes by tailoring monomer species and concentration could further reduce the energy consumption in desalination process. In this study, we prepared PA TFC membranes using mixed amine monomer depends on the number of -NH₂group and investigated the desalination performance of prepared membranes. The crosslinking between amine and acyl chloride group was confirmed by infrared spectroscopy regardless of amine species. Surface morphologies which were characterized using scanning electron microscopy (SEM) and atomic force microscopy (AFM) showed increased surface roughness.

플레이어 모델링은 플레이어의 행동에 대한 선호도에 대한 특성들을 반영하는 프로파일을 만들고, 플레이어가 게임과 상호작용하는 동안 계속 프로파일의 특성을 학습하는 것이다. 학습된 선호도는 플레이어 행동들의 발생 빈도에 대한 통계적 수치로 기록되며, 이를 바탕으로 플레이어에 최적화된 유저 인터페이스를 제공할 수 있다. 이를 위해서 인터페이스에 대한 플레이어의 선호도를 효과적으로 학습할 수 있는 알고리즘이 필요하다. 베이지안 네트워크를 이용한 플레이어 모델링 기법을 사용하면 플레이어의 선호도에 따라 모델은 게임 디자인 단계에서 모델의 선호도에 대한 초기값을 쉽게 넣을 수 있기 때문에 초기 학습 시간을 줄여줄 수 있다. 본 논문은 플레이어의 선호도에 따라 적합한 인터페이스를 제공하기 위해 플레이어 모델링의 선호도 학습 알고리즘을 제안하였다.