기후 모형에서 해면수온을 정확하게 모의하는 것은 해수면의 에너지 규모를 표현하고 해양-대기 상호작용 내 에너지 균형을 정량화한다는 측면에서 중요하다. 그런데 기후 모형 모의에서 이러한 해수면 온도가 지속적인 오차를 보 이는 몇몇 지역이 있고, 북서태평양은 많은 기후 모형 모의에서 음의 오차를 보이는 지역 중 하나이다. 많은 연구가 이 오차와 관련하여 수행되었지만 대부분은 오차의 연평균 및 앙상블평균에 초점을 맞추어 진행되었다. 하지만, 본 연구는 31개 CMIP6 모형의 과거 해면수온을 분석하여 다중 모형 평균 및 개별 모형의 북태평양 오차의 패턴과 그 크기를 계 절별로 분석하였다. 이 음의 오차는 비슷한 공간 분포를 가진 대부분의 CMIP6 모형에서 나타나며 연중 내내 존재한다. 계절별로는 봄(1.7oC)과 여름(1.8oC)에 오차의 크기가 더 크고, 가을(1.3oC)과 겨울(1.2oC)에는 소폭 감소한다. 또한 북서태평양의 여름과 겨울에는 다른 계절에 비해 개별 모형 간의 차이가 더 크다.

모빌리티 예측은 단순한 통행 경로 예측을 넘어, 사회 전반의 효율성 및 안전성 향상을 위한 핵심 데이터를 제공한다는 점에서 중 요하다. 기존의 예측 기법은 시공간적 규칙성과 개인 이동 패턴의 통계적 특성 분석에 주로 의존하였으며, 최근 딥러닝 기반의 시공간 모델링을 통해 예측 성능이 향상되었다. 그러나 여전히 개인 통행의 단기·장기적 시공간 의존성 및 복잡한 패턴을 처리하는 데 한계가 존재한다. 이를 극복하기 위해, 본 연구는 대규모 사전 학습된 거대 언어 모델(Large Language Model; LLM)을 도입하여, 개인 속성뿐 만 아니라 실제 통행 데이터를 반영한 객체 단위 통행 생성 프레임워크를 제안한다. LLM 기반(ChatGPT-4o) 객체 단위 통행 생성 프레 임워크는 (1) 개인 모빌리티 패턴 학습, (2) 통행 생성의 두 단계로 이루어진다. 이후 한국교통연구원의 개인통행 실태조사(2021) 데이 터를 이용하여 프레임워크의 통행 생성 성능을 확인하였다. 통행 시작·출발 시간 분포, 출발·도착지 장소 유형, 통행목적, 이용 교통수 단의 정확도를 확인한 결과, 대부분 항목에서 70% 이상의 정확도를 보였다. 하지만 통행목적은 13개의 목적 중 하나를 예측해야 하기 에 정확도가 다른 항목에 비해 약 40%로 낮게 나타났다. 본 연구는 통행 생성 프레임워크를 설계하고, 이에 맞춰 입력 데이터를 가공 및 프롬프트 엔지니어링을 수행함으로써 LLM 기반 통행 생성 기술의 가능성을 확인하였다. 향후 프레임워크의 예측 성능 검증 및 개 선을 위한 추가 연구가 필요하며, 날씨, 대규모 행사 등과 같은 외부 요인들을 고려하면 더욱 정교하고 현실적인 통행일지를 생성할 수 있을 것이다.

본 연구는 소래풀을 경관화훼로 이용하기 위해 온도조건에 따른 발아특성을 알아보고 회귀분석(bilinear, parabolic, beta distribution)모델을 통해 주요온도(최저, 최적 및 최고온 도)를 구명하고자 하였다. 소래풀 종자는 5, 10, 15, 20, 25, 30, 35℃ 항온 조건 중 25℃에서 약 6~7일만에 최종발아율이 100%에 도달하였으며, 발아세, 발아속도, 평균발아속도와 평균발아시간이 각각 100%, 21.37ea/day, 14.48, 4.39일 로 다른 처리보다 발아특성이 우수하였다. 이를 바탕으로 발아 속도(germination rate, GR)가 50%인 시점(GR50)을 역수로 (1/GR50)하여 주요온도를 분석한 결과, bilinear모델의 경우, 최저, 최적 및 최고온도는 4.8℃, 25.8℃, 35.6℃였으며 (R2=0.9566, p<0.001), parabolic모델은 최저온도 6.1℃, 최 적온도 21.6℃, 최고온도 36.7℃였다(R2=0.8818, p<0.001). 또한 beta distribution 모델의 주요온도는 최저온도 6.1℃, 최 적온도는 23.1℃, 최고온도 40.1℃였다(R2=0.9102, p<0.001). 본 연구에서 분석한 회귀모델 모두 0.1% 수준에서 통계적 유의 차가 인정된 것으로 보아 소래풀 종자의 발아 시 최저온도는 4.8~6.1℃, 최고온도는 35.6~40.1℃, 최적온도는 21.6~25.8℃ 이며, 50% 이상의 발아율을 기대하였을 때 온도의 범위는 20~25℃가 적합할 것으로 판단된다. 이와 같은 결과는 소래풀 을 이용하여 경관조성을 할 때 파종 및 발아시기를 예측할 수 있는 자료로 활용될 수 있을 것으로 판단된다. 그러나 경관조성 을 하는 현장에서 실질적인 도움을 제공할 수 있도록 발아의 주요온도 모델과 함께 식물의 생물계절 관점에서 추가적인 연구 가 필요할 것으로 판단된다.

최근 인공지능 분야에서 가장 활발히 연구되고 있는 거대 언어 모델은 교육에 대한 응용 가능성을 보 이며, 교육학의 거의 모든 분야에서 그 활용 방안이 연구되고 있다. 이러한 연구는 공학 교육에서도 주목 받고 있다. 그러나 구체적인 활용 분야와 방법에 대해서는 아직 많은 연구가 필요한 상황이다. 특히, 거대 언어 모델을 이용한 교육과정 설계와 개선에 대한 연구는 인공지능 공학과 교육학 두 분야에서 모두 중요한 연구 과제로 부각되고 있다. 이러한 응용 필요성에 대한 예시이자 전략으로써, 본 연구는 OpenAI에서 발표한 최신 거대 언어 모델인 ChatGPT-4o를 이용하여 한국과학기술원(KAIST) 공과대학 학부 전공 과 목과 S전자 DS부문(반도체사업부) 직무 사이의 연관성을 분석하고, 그 결과를 기반으로 대학과 기업체 양측에 반도체 산업 인력 양성과 채용에 대한 실질적인 응용 전략을 제안한다. 이를 위해 KAIST 공과대 학 학부과정에 개설된 모든 전공 과목과 S전자 DS부문(반도체사업부)의 직무기술서를 ChatGPT-4o에 학습시켜 각 과목이 특정 제품군, 직무와 가지는 연관성을 특정 범위와 기준에 의거하여 정량화된 점수로 평가했다. 또한, 각각의 직무, 전공, 과목별로 확보한 데이터를 기초적인 통계 분석을 통해 평가했으며, 구직자와 구인자의 활용 가능성에 초점을 두고 특정 전공의 각 직무별 연관성과 특정 직무의 각 전공별 연관성, 그리고 특정 직무 및 전공의 반도체 제품군별 연관성 등 다양한 조건에서 분석을 진행하였다. 또 한 본 전략에 대한 반도체 산업 실무자 견해를 수집하여 실제 전략으로의 활용 가능성을 검증하였다. 분 석 결과, 간단한 질문과 분석만으로도 전공, 교과목별로 유의미한 직무 연관성의 차이를 확인했다. 이러한 결과를 바탕으로 본 연구는 대학 교육과정의 개선과 기업 채용 및 양성 과정에서의 응용 전략을 제시한 다. 이 연구는 대학과 산업 간의 협력을 통해 인적자원 개발과 채용 효율성 증대에 기여할 것으로 기대한 다. 또한, 후속 연구로 구직자와 구인자, 교수자 등 본 연구의 효과를 확인할 수 있는 집단을 대상으로 한 대규모 설문조사 및 전문가그룹 대상 질적연구 등을 제안하여 실제 활용도와의 비교 분석 연구를 제안 한다. 결론적으로, 본 연구는 거대 언어 모델을 활용하여 필요한 인재를 양성하기 위한 교육 과정 설계의 구체적인 응용 가능성을 제시함으로써, 인공지능을 이용한 교육 분야에 대한 기여 방안을 모색한다.

최근 국내외 화장품과 식품산업에서 다양하게 사용되어 지고 있는 콜라겐 단백질 제품은 점차 그 용도와 특성에 따라 보다 고도화, 기능화 되어 가고 있다. 피부 건강의 지표인 콜라겐은 다양한 용도로 개발되어 사용되고 있으 며, 콜라겐의 소비가 증가함에 따라 용도에 적합한 최적 화된 콜라겐 제품의 개발이 중요한 연구 분야이다. 특히 여러 기업과 연구기관들에 의해서 콜라겐의 흡수율을 높 이기 위한 다양한 노력이 이루어지고 있다. 따라서 본 연 구에서는 프란즈(Franz) 세포 시스템을 이용하여 국내에서 판매되는 다양한 분자량별 콜라겐 제품의 경피 및 구강 상피세포 투과성을 비교하였다. 그 결과, 피부 표피/진피 조직과 비교하여 구강점막 조직의 콜라겐 흡수율이 분자 량 500달톤과 1,000달톤의 경우 모두 통계적으로 유의하 게(각각 약 10배, 2배) 높은 것으로 확인되었다. 또한, 분 자량별 구강점막 조직 흡수율을 비교한 결과, 분자량 500 달톤의 콜라겐이 분자량 1,000달톤 제품에 비해 흡수율이 2-3배 증가함을 확인하였다. 분자량 500달톤의 경우 Cmax 와 AUCt 값이 가장 높게 나타났으며, 피부 표피/진피 세 포에 비해 구강점막세포 시험군의 모든 지표가 높은 것으 로 나타났다. 본 연구 결과는 피부 흡수보다는 구강 점막 세포를 통한 콜라겐의 흡수방법이 콜라겐 체내 흡수증가 에 유효한 수단임을 시사하며, 분자량 1,000달톤 이하에서 도 보다 더 작은 500달톤의 저분자 콜라겐의 흡수율이 증 가되는 것으로 보아 콜라겐의 분자량이 흡수율 증가의 주 요한 요소임을 확인할 수 있었다.

본 연구는 연안해양 수치모델에 활용되는 LDAPS 강우예보 자료의 시공간적 오차와 한계점을 분석하고 자료의 신뢰성을 검증 하였다. LDAPS 강우자료의 검증은 진해만 주변 우량계 3개소를 기준으로 2020년의 강우를 비교하였으며 우량계와 LDAPS의 비교 결과, LDAPS 강우자료는 장기적인 강우의 경향은 대체로 잘 재현하였으나 단기적으로는 큰 차이를 보였다. 정량적인 강우량 오차는 연간 197.5mm였으며, 특히 하계는 285.4mm로 나타나 계절적으로 강우변동이 큰 시기일수록 누적 강우량의 차이가 증가하였다. 강우 발생 시점 의 경우 약 8시간의 시간 지연을 나타내어 LDPAS 강우자료의 시간적 오차가 연안해양환경 예측 시 정확도를 크게 감소시킬 수 있는 것 으로 나타났다. 연안의 강우를 정확히 반영하지 못하는 LDAPS 강우자료를 무분별하게 사용할 경우 연안역에서 오염물질 확산 또는 극한 강우로 인한 연안환경 변화 예측에 심각한 문제를 발생시킬 수 있으며 LDAPS 강우자료의 적절한 활용을 위해서는 검증과 추가적인 개선 을 통한 정확도 향상이 필요하다.

Obesity is the cause of many diseases, and its severity continues to increase. Promoting non-shivering thermogenesis is attracting attention as a new treatment strategy for obesity. This study summarized the studies that evaluated the effect of Panax ginseng on promoting non-shivering thermogenesis in animal models. A total of 7 studies were included according to the selection criteria, of which five were judged to have a high risk of bias. Indicators of UCP1 mRNA, UCP1 protein, and PGC- 1a were used in the meta-analysis, and the certainty of evidence progressed for each indicator, with UCP1 protein showing the highest certainty of evidence. Meta-analysis was conducted on 5 works of literature with standard indicators. As a result of meta-analysis, UCP1 protein level and PGC-1a mRNA level were significantly increased statistically. In addition, the protein levels of PRDM16 and TFAM increased in several studies (not a meta-analysis). These findings suggest that Panax ginseng could be a potential therapeutic agent for obesity. However, further research is needed to understand its mechanisms and possible side effects fully. Thus, it is concluded that Panax ginseng in animal models can promote non-shivering thermogenesis and improve mitochondria function in animal models, opening up new avenues for research and potential clinical applications.

In this study, the magnetocaloric effect and transition temperature of bulk metallic glass, an amorphous material, were predicted through machine learning based on the composition features. From the Python module ‘Matminer’, 174 compositional features were obtained, and prediction performance was compared while reducing the composition features to prevent overfitting. After optimization using RandomForest, an ensemble model, changes in prediction performance were analyzed according to the number of compositional features. The R2 score was used as a performance metric in the regression prediction, and the best prediction performance was found using only 90 features predicting transition temperature, and 20 features predicting magnetocaloric effects. The most important feature when predicting magnetocaloric effects was the ‘Fe’ compositional ratio. The feature importance method provided by ‘scikit-learn’ was applied to sort compositional features. The feature importance method was found to be appropriate by comparing the prediction performance of the Fe-contained dataset with the full dataset.

This study introduces and experimentally validates a novel approach that combines Instruction fine-tuning and Low-Rank Adaptation (LoRA) fine-tuning to optimize the performance of Large Language Models (LLMs). These models have become revolutionary tools in natural language processing, showing remarkable performance across diverse application areas. However, optimizing their performance for specific domains necessitates fine-tuning of the base models (FMs), which is often limited by challenges such as data complexity and resource costs. The proposed approach aims to overcome these limitations by enhancing the performance of LLMs, particularly in the analysis precision and efficiency of national Research and Development (R&D) data. The study provides theoretical foundations and technical implementations of Instruction fine-tuning and LoRA fine-tuning. Through rigorous experimental validation, it is demonstrated that the proposed method significantly improves the precision and efficiency of data analysis, outperforming traditional fine-tuning methods. This enhancement is not only beneficial for national R&D data but also suggests potential applicability in various other data-centric domains, such as medical data analysis, financial forecasting, and educational assessments. The findings highlight the method's broad utility and significant contribution to advancing data analysis techniques in specialized knowledge domains, offering new possibilities for leveraging LLMs in complex and resource- intensive tasks. This research underscores the transformative potential of combining Instruction fine-tuning with LoRA fine-tuning to achieve superior performance in diverse applications, paving the way for more efficient and effective utilization of LLMs in both academic and industrial settings.

Drug-induced liver injury (DILI) is considered to be a significant cause of drug wastage. To mitigate clinical DILI risks, assessing drugs using human liver models is crucial since animal studies may fall short due to species-specific liver pathway variations. Cell-based preclinical hepatotoxicity testing is often pertinent. In the present study, cells from a human liver cancer line (HepG2 and HepaRG) were cultured in both formats of 2D and 3D spheroids to explore their responses to drugs. Liver-specific marker expressions across cell lines and culture formats were also examined to assess disparities in DILI marker expressions. After treating each cell with the drugs, cytotoxicity and liver injury markers aspartate aminotransferase and alanine aminotransferase were increased. In addition, liver specific markers albumin and urea decreased in a drug concentration-dependent manner. These findings were consistent with drug sensitivity. Additionally, mRNA expression levels of cytochrome P450 enzymes (CYPs) involved in hepatocellular drug metabolism were compared following treatment with enzyme inducers. CYP1A2 and CYP2C9 were not epxressed in HepG2 cells. HepaRG cells exhibited significantly increased expression of CYP1A2, 2C9, and 3A4 post-treatment. Notably, enzyme expression was notably higher in 3D cultures than in 2D cultures. Collectively, these findings suggest that HepaRG cells and 3D cultures hold promise for evaluating DILI during early-stage drug development.

Forecasting port container throughput is crucial due to its impact on economic development. Socio-economic factors, which introduce uncertainty, are increasingly integrated into throughput forecasting. The complexity of common multivariate forecasting models significantly affects accuracy, yet few studies compare their performance on the same time series for throughput modeling. This study implements, evaluates, and compares the performance of eight multivariate forecasting models for port throughput within a proposed multiple-input single-output (MISO) system, chosen for their frequent use in container throughput research. It investigates two data preprocessing approaches: Random Forest Variable Importance Method (RF-VIM) and a Multi Lagged Value approach. The comparison uses six error metrics: normalized root mean squared error, mean absolute error, mean absolute percentage error, mean error, and root mean percentage error. Performances are discussed, and recommendations for adopting a suitable model are provided.

New motor development requires high-speed load testing using dynamo equipment to calculate the efficiency of the motor. Abnormal noise and vibration may occur in the test equipment rotating at high speed due to misalignment of the connecting shaft or looseness of the fixation, which may lead to safety accidents. In this study, three single-axis vibration sensors for X, Y, and Z axes were attached on the surface of the test motor to measure the vibration value of vibration. Analog data collected from these sensors was used in classification models for anomaly detection. Since the classification accuracy was around only 93%, commonly used hyperparameter optimization techniques such as Grid search, Random search, and Bayesian Optimization were applied to increase accuracy. In addition, Response Surface Method based on Design of Experiment was also used for hyperparameter optimization. However, it was found that there were limits to improving accuracy with these methods. The reason is that the sampling data from an analog signal does not reflect the patterns hidden in the signal. Therefore, in order to find pattern information of the sampling data, we obtained descriptive statistics such as mean, variance, skewness, kurtosis, and percentiles of the analog data, and applied them to the classification models. Classification models using descriptive statistics showed excellent performance improvement. The developed model can be used as a monitoring system that detects abnormal conditions of the motor test.

The design variables and material properties as well as the external loads concerned with structural engineering are used to be deterministic in optimization process. These values, however, have variability from expected performance. Therefore, deterministic optimum designs that are obtained without taking these uncertainty into account could lead to unreliable designs, which necessitates the Reliability-Based Design Optimization(RBDO). RBDO involves an evaluation of probabilistic constraints which constitutes another optimization procedure. So, an expensive computational cost is required. Therefore, how to decrease the computational cost has been an important challenge in the RBDO research field. Approximation models, response surface model and Kriging model, are employed to improve an efficiency of the RBDO.

This study aimed to quantify changes in forest cover and carbon storage of Korean Peninsular during the last two decades by integrating field measurement, satellite remote sensing, and modeling approaches. Our analysis based on 30-m Landsat data revealed that the forested area in Korean Peninsular had diminished significantly by 478,334 ha during the period of 2000-2019, with South Korea and North Korea contributing 51.3% (245,725 ha) and 48.6% (232,610 ha) of the total change, respectively. This comparable pattern of forest loss in both South Korea and North Korea was likely due to reduced forest deforestation and degradation in North Korea and active forest management activity in South Korea. Time series of above ground biomass (AGB) in the Korean Peninsula showed that South and North Korean forests increased their total AGB by 146.4 Tg C (AGB at 2020=357.9 Tg C) and 140.3 Tg C (AGB at 2020=417.4 Tg C), respectively, during the last two decades. This could be translated into net AGB increases in South and North Korean forests from 34.8 and 29.4 Mg C ha-1 C to 58.9(+24.1) and 44.2(+14.8) Mg C ha-1, respectively. It indicates that South Korean forests are more productive during the study period. Thus, they have sequestered more carbon. Our approaches and results can provide useful information for quantifying national scale forest cover and carbon dynamics. Our results can be utilized for supporting forest restoration planning in North Korea.

Prestressed Concrete Containment Vessels(PCCV)는 중대사고 발생 시 방사능 누출을 막기 위한 최 후의 방벽이며 체르노빌 및 스리마일 섬 원전 사고 이후 PCCV의 내압성능에 대한 관심이 높아졌다. PCCV는 장비반입 및 작업자 출입 등을 위한 다양한 관통부가 존재한다. 이러한 관통부로 인해 PCCV는 비축대칭적인 변형을 보이며 관통부는 취약부위로 고려된다. 하지만 관통부의 거동은 전체모 델에서 정확히 모사할 수 없다. 따라서 PCCV의 내압성능 평가를 위한 규제지침인 Reguratory Guide(RG) 1.216은 관통부에 대한 내압성능 평가를 위해 상세국부모델을 작성하여 평가하도록 권고하고 있다. 하 지만 대부분의 국부모델을 이용한 PCCV의 내압성능 평가와 관련된 선행연구는 전체모델을 이용하여 관통부의 응답을 관측하고 보정인자를 사용하여 수행되었다. 따라서 본 연구는 내압을 받는 1:4 scale PCCV의 관통부에 대한 거동 분석과 내압성능 평가를 위해 관통부의 상세 국부 유한요소 모델을 구축 하였다. 미국의 Sandia National Laboratory의 실험적 연구 결과와 비교하여 구축된 모델을 검증하였 으며 관통부의 내압거동을 분석하였다.