기존 고체 기반 전자회로는 유연성 및 신축성 웨어러블 기기 구현에 한계가 있으며, 액체 금속의 미세 패턴 형성 또한 난제였습니다. 본 발명은 스트레칭 가능한 기판에 액체 금속을 프린팅 후 늘려 패턴 폭을 줄이고, 상변화 및 이송을 통해 마이크로급 초미세 패턴을 구현하는 혁신적인 액체 금속 패터닝 방법과 장치를 제안합니다. 이 기술은 유연한 기판 위에서도 안정적이고 균일한 패턴 형성을 가능하게 하며, 기존 한계를 넘어선 단일 자릿수 마이크로 패턴 구현을 통해 플렉서블 전자회로 및 웨어러블 디바이스 개발에 핵심적인 기여를 합니다.
기존 나노입자 합성 시 발생하던 뭉침 현상과 낮은 재현성, 그리고 합성 조건 최적화의 어려움은 나노 물질 응용에 한계를 야기했습니다. 본 발명은 이러한 문제점을 해결하기 위해 혁신적인 액적 기반 미세유체 시스템을 제시합니다. 이 시스템은 미세관 형태의 튜브를 통해 산화철-금 코어쉘 나노입자를 안정적으로 합성하며, 센서와 피드백 컨트롤 시스템을 이용하여 재료의 양을 실시간으로 정밀하게 조절합니다. 이를 통해 균일하고 우수한 품질의 나노입자를 얻을 수 있으며, 합성 과정을 손쉽게 스크리닝하고 최적화하여 다양한 첨단 분야에 활용될 수 있는 길을 엽니다.
기존 혈류 영상화 기술의 한계를 넘어, 본 발명은 스패셜 싱귤러 벡터의 상관계수를 이용한 혁신적인 B모드 혈류영상 장치 및 방법을 제시합니다. 이 기술은 초음파 영상 내 혈류, 연조직, 노이즈 성분을 정밀하게 분류하여 혈류 성분만을 효율적으로 추출하고 영상화합니다. 이를 통해 보다 선명하고 정확한 혈류 진단 정보를 제공하며, 의료 진단의 정확도와 효율성을 크게 향상시킬 수 있습니다. 특히, B-mode 영상에서 혈류를 직접 확인할 수 있는 새로운 길을 열어 임상 진료에 큰 기여를 할 것으로 기대됩니다.
기존 인공신경망 기반 초해상화 모델은 영상의 평활화, 구조적 왜곡, 잡음 발생 또는 디테일 복원력 저하와 같은 문제점을 가지고 있습니다. 이러한 한계를 극복하기 위해 본 기술은 위상합동(Phase Congruency)을 활용한 새로운 초해상화 모델 학습 방법을 제안합니다. 본 기술은 정답 영상을 주파수 영역별로 분할하고, 각 주파수 특성(고주파/저주파)에 따라 맥락 손실과 인지 손실의 비율을 유동적으로 조절하여 모델을 학습시킵니다. 이를 통해 고주파수 영역에서 발생할 수 있는 구조적 왜곡이나 잡음을 효과적으로 방지하며, 저주파수 영역에서의 디테일 복원 성능 저하 문제를 해결합니다. 결과적으로 본 초해상화 모델은 기존 기술 대비 고품질이면서 정답 영상과의 인지적 유사도가 높은 선명한 결과물을 제공합니다. 특히, LPIPS(Learned Perceptual Image Patch Similarity) 평가에서 우수한 성능을 입증하여 사용자가 체감하는 화질 개선 효과가 뛰어납니다. 본 기술은 영상 처리 분야의 난제를 해결하고 고품질 영상 복원의 새로운 표준을 제시합니다.
기존 이종 접합 물질의 격자 구조 측정 방식은 시료 파손이나 표면 신호 측정의 한계가 있었습니다. 본 발명은 이러한 문제점을 해결하기 위해 반사광을 이용한 비파괴 물질 접합구조 측정 시스템 및 방법을 제공합니다. 이 시스템은 특정 파장의 입사광과 그에 따른 반사광의 세기 변화를 분석하여, 접합된 물질의 격자 형상을 파손 없이 정밀하게 연산할 수 있습니다. 특히, 각 물질의 고유한 광학적 특성을 활용하여 개별 물질의 3차원 형상까지 파악 가능하여 반도체 및 광 소자 연구 개발에 핵심적인 기여를 할 것으로 기대됩니다.
지구온난화로 인한 고온 스트레스는 농작물의 종자 발달 및 화분 생존율 저하를 유발하여 생산량 감소로 이어지고 있습니다. 본 발명은 애기장대 유래 STA1 유전자의 도입 및 과발현을 통해, 고온 환경에서도 식물체의 정상적인 종자 발달과 화분 생존율을 크게 높이는 기술을 개발하였습니다. 이는 급변하는 기후 속에서 안정적인 작물 재배를 가능하게 하여, 농업 생산성 증대에 기여할 혁신적인 해결책입니다. 본 기술에 대한 자세한 내용을 확인하시어 농업의 미래를 함께하시길 바랍니다.
기존의 사진 및 영상 서비스는 사용자와 콘텐츠 간의 상호작용이 제한적이어서, 사용자들은 일방적인 경험에 머물러 있었습니다. 이러한 한계는 소셜 미디어 시대에 더욱 풍부한 소통 경험을 원하는 사용자들의 요구를 충족시키지 못했습니다. 본 발명은 이러한 문제점을 해결하기 위해 '인터랙티브 사진 서비스 방법'을 제안합니다. 사용자의 감정, 제스처, 터치, 음성 등 다양한 인터랙션에 반응하여 사진 속 인물이나 사물이 마치 살아있는 것처럼 짧은 동영상으로 응답합니다. 이를 통해 사용자는 사진과 직접 상호작용하는 듯한 몰입감 높은 경험을 할 수 있으며, 현실 세계에서 물리적으로 만날 수 없는 대상과의 심리적 거리감을 줄이고 정서적 유대감을 높일 수 있습니다. 본 기술은 혁신적인 소셜 미디어 경험을 제공하며, 차세대 커뮤니케이션 패러다임을 제시합니다.
기존 실리콘 광증배기 기반 엑스선 검출기는 낮은 에너지 분해능과 온도 민감성으로 에너지 판별 정확성과 균일성이 저하되어 의료 영상 품질에 한계가 있었습니다. 본 기술은 딥러닝을 활용하여 이 문제를 해결합니다. 엑스선 검출기에서 얻은 에너지 스펙트럼 데이터를 전처리하여 학습하고, 가우스 곡선 및 문턱값 분석으로 저/고 에너지 대역을 정확히 구별합니다. 특히, 온도 변화에 따른 스펙트럼 변동에도 균일성을 유지하도록 모델을 학습시켜 영상의 대조도와 해상도를 획기적으로 향상시킵니다. 이는 보다 신뢰성 높은 엑스선 진단을 가능하게 합니다.
기존 제올라이트 제조 방식은 복잡하고 환경 부담이 컸으며, 촉매 성능에도 한계가 있었습니다. 본 기술은 친환경적인 탄수화물 기반 친수성 탄소 구를 경질 주형으로 사용하여 혁신적인 제올라이트 중공 구를 제조하는 방법을 제시합니다. 이 방법으로 생산된 MWW-타입 제올라이트 중공 구는 매크로 및 미세 기공 구조를 동시에 갖추어, 반응물의 확산 효율을 극대화하고 코크 생성을 줄여 촉매의 수명과 선택성을 크게 향상시킵니다. 정유, 석유화학, 환경 분야의 고성능 촉매, 흡착제 등으로 다양하게 활용될 수 있습니다.
빅데이터 및 인공지능 시대에 필요한 고속·대용량 데이터 처리는 기존 기억 장치의 한계로 문제점으로 지적되어 왔습니다. 특히 내용 주소화 기억 장치(CAM)는 병렬 처리에 유리하나, 높은 트랜지스터 수로 인해 집적도와 전력 효율성이 저하되는 문제가 있었습니다. 본 발명은 이러한 문제점을 해결하고자 3-터미널 나노전자기계소자(NEM)를 기반으로 하는 CAM을 개발하였습니다. 이 기술은 단위 셀에 필요한 트랜지스터 수를 획기적으로 줄여, 메모리 집적도를 대폭 향상시키고 전력 소모를 효과적으로 감소시킵니다. 따라서 빅데이터 및 AI 시스템의 초고속 병렬 검색 및 처리에 최적화된 차세대 메모리 솔루션을 제공합니다.
기존 다중 시점 카메라 시스템의 영상 정합은 기하학적 왜곡과 높은 계산량으로 인해 3차원 공간정보 복원에 어려움이 있었습니다. 특히 2차원 배열 카메라 환경에서는 더욱 복잡성이 증가하였습니다. 본 기술은 이러한 문제를 해결하기 위해 2차원 다시점 영상의 특징점을 활용한 혁신적인 보정 방법 및 장치를 제공합니다. 복수의 입력 영상에서 특징점을 균일하게 검출하고, 오류를 제거하며, 수직 또는 수평 방향의 대응쌍을 정교하게 확인합니다. 또한, 입력 영상의 배열 관계와 카메라의 물리적 위치를 고려하여 특징점을 투사평면에 투사하고 편차 오류를 최소화함으로써, 빠르고 정확한 영상 정합을 실현합니다. 이를 통해 가상현실(VR) 등에서 필요한 3차원 공간정보를 더욱 효과적으로 복원할 수 있도록 지원합니다. 본 기술은 다중 시점 영상 처리 분야의 난제를 해결하고, 보다 정밀한 공간 인식을 가능하게 할 것입니다.
기존 준지도 학습의 핵심인 그래프 구축 과정은 낮은 계수 표현(LRR) 방식의 높은 정확도에도 불구하고, 특이값 분해(SVD)에 수반되는 높은 계산 비용으로 인해 처리 속도 문제가 있었습니다. 본 발명은 이러한 한계를 극복하기 위해 '빠른 낮은 계수 표현(Fast Low-Rank Representation)' 기반의 혁신적인 그래프 구축 방법인 FaGLRR과 FaMLRR을 제안합니다. FaGLRR은 Graph-Regularized LRR(GLRR)과 동일한 정확도를 유지하며 획기적으로 빠른 연산을 가능하게 합니다. 또한, Fast MLRR(FaMLRR)은 특정 조건에서 기존 Manifold LRR(MLRR)보다 빠르면서도 더 우수한 결과를 도출합니다. 이 기술은 데이터의 특징 구조를 고성능으로 표현하는 그래프를 효율적으로 생성하여, 준지도 학습 모델의 예측 정확도를 높이고 AI 시스템의 전반적인 처리 속도를 대폭 향상시키는 데 기여합니다. 얼굴 클러스터링, 객체 검출 등 다양한 인공지능 응용 분야에서 핵심적인 성능 개선을 제공할 것으로 기대됩니다.