News center

최신기술소개

글. 무은재학부 26학번 32기 알리미 강대연

01.

메타표면 렌즈를 이용한 2D-3D 전환 디스플레이

한쪽은 빨갛고 한쪽은 파란 3D 안경, 3D 하면 가장 먼저 떠오르는 이미지입니다. 21세기에 들어서는 사용자의 시선을 추적하여 안경 없이도 화면에서 3D를 느낄 수 있도록 하는 기술이 개발되기도 했는데요. 최근 포스텍 기계공학과 노준석 교수와 삼성전자의 산학협력 연구팀이 한 발 더 나아가 화면을 2D와 3D로 자유롭게 바꿀 수 있는 메타표면 렌티큘러 렌즈 기반 디스플레이를 개발했습니다. 메타표면은 유전율¹과 투자율²을 인공적으로 제어할 수 있는 메타물질 기반의 평면 소재입니다. 메타표면으로 만든 메타렌즈는 편광³에 따라 오목렌즈 또는 볼록렌즈처럼 서로 다른 초점 특성을 나타내며, 이러한 전환성이 2D-3D 전환을 가능하게 합니다. 렌티큘러는 기존의 3D 디스플레이에도 사용되어 온 구조로, 작은 볼록렌즈들을 집적하여 각도에 따라 다른 형상이 보이도록 합니다. 기념품 등으로 쉽게 접할 수 있는, 보는 각도에 따라 고개를 돌리는 초상화 등이 바로 렌티큘러를 적용한 예시입니다. 새 디스플레이는 기존 렌티큘러 렌즈 뒤에 메타렌즈를 배치해 편광을 제어합니다. 편광에 따라 메타렌즈가 오목렌즈로 기능할 때는 굴절을 상쇄해 2D 화면을, 볼록렌즈로 기능할 때는 굴절을 강화해 3D 화면을 제공하는 원리입니다. 두께가 1.2mm에 불과해 OLED 패널에 바로 부착하여 사용할 수 있고, 굴절 강화로 시야각 역시 기존 기술의 15°에서 100° 수준까지 넓어져 사용자의 시선을 인식하고 처리하는 복잡한 과정이 생략될 수 있습니다. 이 기술 덕에 조만간 모든 영상을 3D로 볼 수 있게 되지 않을까요?

[ 각주 ] 

1. 부도체가 전기장 속에서 전하를 얼마나 잘 저장하는지를 나타내는 척도

2. 매질이 주어진 자기장에 대해 얼마나 자화되는지를 나타내는 척도

3. 특정 방향으로만 진동하는 빛

[ 그림 출처 및 참고 자료 ]  

Moon, S., Kim, J., Jo, Y., Seo, J., Kim, K., Kim, S., Lee, C., & Rho, J. (2026). Switchable 2D–3D display through a metasurface lenticular lens. Nature, 652(8112), 1181–1187. https://doi.org/10.1038/s41586-026-10318-9

02.

천연 화합물 기반 슈퍼박테리아 무력화 기술

항생제의 발명으로 인류의 수명은 크게 늘었습니다. 그러나 박테리아도 이에 맞추어 항생제에 내성을 가지는 방향으로 진화해 왔습니다. 이런 상황 속에서, 궬프대학교의 조지나 콕스 박사와 앨리슨 레너드 박사 연구팀이 최근 MRSA(메티실린⁴ 내성 황색포도상구균)를 무력화시킬 수 있는 천연 화합물을 발견했습니다. 박테리아의 약물 내성 문제가 심각해짐에 따라, 최근에는 세균을 죽이는 항생제보다 세균을 무력화시키는 물질에 관한 연구가 활발히 이루어지고 있습니다. 항생제 내성으로 인한 사망의 주 원인균인 황색포도상구균은 비강⁵ 상피에 정착하여 확산하고 감염을 유발합니다. 황색포도상구균은 ClfB와 같은 세포벽 결합 단백질(CWA)을 이용해 케라틴 등 숙주의 단백질에 부착하고 정착합니다. 레너드 박사 연구팀은 박테리아가 상피에 부착되는 것을 막는 ‘항접착제’를 연구하여 GGA(게라닐게라노산)라는 슈퍼박테리아 무력화 물질을 발견했습니다. 이 과정에는 검사하고자 하는 항원에 색을 내는 효소를 결합한 항체를 첨가하여 리간드⁶를 검출해 내는 효소결합면역흡착검사(ELISA)가 사용되었는데요. ELISA로 검출한 결과, GGA는 고농도에서 살균 효과를, 저농도에서 MRSA의 단백질에 대한 결합 억제 효과를 보였습니다. 특히 낮은 농도에서는 균을 직접 죽이기보다 부착과 병원성을 억제하기 때문에, 기존 항생제보다 내성 발생에 대한 선택압을 줄일 가능성이 기대되고 있습니다. 언젠가 인류가 질병에서 완전히 벗어날 수 있는 날이 올까요?

[ 각주 ] 

4. 페니실린 계열의 항생제

5. 코의 뒤쪽에 위치한 빈 공간

6. 특정 분자에 특이적으로 결합하는 물질

[ 그림 출처 및 참고 자료 ]  

Leonard, A. C., Bao, R., Menjivar, C., Myers, M. J., Paiva, T. O., Zheng, Z., Berry, K. A., Bayles, K. W., Flannagan, R. S., Dufrêne, Y. F., Bose, J. L., Heinrichs, D. E., & Cox, G. (2026). An anti-adhesive compound modulating the production of Staphylococcus aureus cell wall-anchored proteins. Nature Communications, 17(1). 

https://doi.org/10.1038/s41467-026-71917-8

03.

금속 종류가 늘수록 균일해지는 다성분 나노입자 ‘성분 집중’ 현상 규명

특성이 다른 여러 금속을 섞으면 나노입자의 구조가 불균일해진다는 것이 기존의 상식이었습니다. 각 원소마다 반응 속도와 같은 특성이 다르기 때문입니다. 하지만 카이스트 생명화학공학과 정희태 석좌교수와 스탠퍼드 대학교 마테오 카르넬로 교수의 공동연구팀은 올해 5월, 이 상식에 반하는 연구 결과를 내놓았습니다. 연구팀은 루테늄을 기반으로 철, 코발트, 니켈, 구리를 점진적으로 첨가하였을 때 생성물의 균일성이 향상되는 조성 집중 효과(Composition-focusing)를 발견했습니다. 이 현상의 핵심 원리는 먼저 투입되어 결합한 금속 원자가 온도가 증가함에 따라 다음 금속 원자의 안착할 자리를 마련해 주는 징검다리와 같은 메커니즘입니다. 니켈만을 첨가했을 때와 비교해, 금속의 종류를 늘릴수록 생성물이 점점 더 균일한 조성을 가지는 경향성을 보였는데요. 이를 통해 이 현상이 다섯 가지 금속의 특정 조합에만 나타나는 것이 아니라, 다성분 나노입자 합성에 적용될 수 있는 일반적인 원리임을 보여주었다는 점에 주목할 필요가 있습니다. 연구진은 5가지 금속의 합성에 성공한 후 전구체 비율, 추가 금속 첨가 등 다양한 조건에서 추가적인 실험을 진행했습니다. 그 결과 루테늄 입자의 크기가 작을수록 생성물이 더 균일해졌습니다. 또한 전구체의 비율보다 구성 금속의 수가 핵심적인 역할을 하며, 균일한 결정을 만들기 위한 최소한의 요구 조건이 존재한다는 사실도 밝혀냈습니다. 기존의 상식을 깨뜨리는 발견이라는 점에서 통념을 깨는 신선한 충격을 줍니다. 이 발견이 앞으로 어떤 변화를 불러올 수 있을지 기대됩니다!

[ 그림 출처 및 참고 자료 ]  

Jeesoo Yoon et al. , Competitive reactivity drives size- and composition-focusing in multimetallic nanocrystals. Science 392, eaea8044 (2026).

04.

터보퀀트: AI추론 가속 및 메모리 압축

AI가 엄청난 속도로 연산을 수행하는 비결은 정보 처리 방식에 있습니다. AI 모델은 다양한 데이터를 담은 고차원 벡터를 사용합니다. 그러나 고차원 벡터 하나당 수백~수천 개의 실수로 이루어지며, 각 실수를 32비트로 저장하면 막대한 메모리를 차지합니다. 따라서 AI 모델에서는 메모리 사용량을 줄이기 위해 벡터를 더 적은 비트로 표현하는 양자화 기법을 활용하기도 합니다. 그러나 이러한 방식을 사용하면 연산량은 줄지만, 정확성 또한 저하됩니다. 그러던 중, 구글 리서치가 정확성을 보존하는 양자화 기술 터보퀀트(TurboQuant)를 발표했습니다. 사용자가 대규모 언어 모델(LLM)과 대화를 나누면 내용이 Key-Value(KV) 캐시⁷로 저장됩니다. LLM이 이전 대화를 기억하는데, 터보퀀트는 바로 이 KV 캐시를 압축합니다. 터보퀀트는 PolarQuant와 QJL 두 기술의 결합으로, 먼저 PolarQuant는 벡터를 무작위로 변환한 뒤, 좌표들을 극좌표⁸ 형태로 표현해 효율적으로 양자화합니다. 직교좌표계로 나타내면 [100, 1, 1]과 같이 극단적인 값을 무작위로 회전시키면 수학적으로 [58, 57, 58]처럼 평균으로 수렴해 데이터가 균일하게 퍼지는 원리를 이용하는 것이죠. 이 과정에서 발생하는 미세한 오류의 보정을 위해 존슨-린덴스트라우스 변환이라는 기법으로 데이터 간 관계를 보존하며 압축하는 QJL 알고리즘이 사용됩니다. QJL은 변환된 값을 +1 또는 -1의 1비트 정보로 양자화해, 적은 메모리로도 벡터 간 관계를 추정할 수 있게 합니다. 혁신적으로 메모리가 절약되는 만큼 실제로 발표 직후 메모리 반도체 관련주가 대폭 하락하기도 했는데요. 터보퀀트가 본격적으로 적용된다면 AI 발전 패러다임을 어떻게 변화시키게 될지 기대됩니다. 

[ 각주 ] 

7. LLM이 이미 생성된 토큰에 대한 Key, Value값을 계산해 저장하는 방식으로 토큰 생성 속도를 높이는 기술

8. 위치를 원점으로부터의 거리와 축으로부터의 각도로 표현하는 좌표계

[ 그림 출처 및 참고 자료 ]  

1. Google Research. “TurboQuant: Redefining AI Efficiency with Extreme Compression.” Research.google, 2026, https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/

2. Zandieh, Amir, et al. “TurboQuant: Online Vector Quantization with Near-Optimal Distortion Rate.” ArXiv.org, 2025, 

    https://arxiv.org/abs/2504.19874