Earticle

본 연구는 제한된 메모리 환경에서 Linux의 스왑 미사용, SSD 스왑 및 zram이 워크로드 성능에 미치는 영향을 비교하였다. cgroup v2를 이용하여 실험 프로세스의 메모리 상한을 2.15 GB와 3.22 GB로 제한하고, 2.94 GB의작업 집합과 세 가지 메모리 접근 워크로드를 구성하였다. 3.22 GB 조건에서는 모든 워크로드가 정상적으로 완료되었으나, 2.15 GB의 스왑 미사용 조건에서는 15회 실행이 모두 OOM(Out Of Memory)으로 종료되었다. 반면 SSD 스왑과 zram은 2.15 GB 조건에서도 모든 워크로드를 정상적으로 완료하였다. zram은 SSD 스왑과 비교하여 전체 실행시간을 76.2∼87.0% 단축하고, PSI full stall time을 53.6∼81.7% 감소시켰다. 본 실험에서 zram은 SSD 스왑보다 짧은 실행시간과 낮은 PSI full stall time을 기록하였다.

This study compares the effects of no swap, SSD swap, and zram on Linux workload performance under limited-memory conditions. Using cgroup v2, the process memory limit was restricted to 2.15 GB or 3.22 GB, and three memory-access workloads were executed with a fixed working set of 2.94 GB. All workloads completed successfully under the 3.22 GB condition, whereas all 15 no-swap runs terminated due to out-of-memory (OOM) events under the 2.15 GB condition. In contrast, both SSD swap and zram completed all workloads successfully under the 2.15 GB memory limit. Compared with SSD swap, zram reduced total execution time by 76.2 87.0% and PSI full stall time by 53.6 81.7%. Under the tested conditions, zram produced shorter execution times and lower PSI full stall times than SSD swap.

바이오신소재 조합은 소재 수와 농도 수준이 증가할수록 실험 공간이 급격히 확대되어 전수 검증이 어렵다. 본 연구는 바이오신소재 조합 탐색의 실험 부담을 줄이기 위해 기업 보유 데이터를 활용하는 AI 기반 최적 배합 설계 플랫폼을 제안하였다. 플랫폼은 연속 반응표면 및 전역-지역 예측, Bliss/HSA 분석, Gaussian Process-Expected Improvement 기반 능동학습, LLM-RAG 연구지원 Agent로 구성된다. 31×31 모의 반응표면에서 100회 반복 실험한 결과, GP-EI의 최종 최고 효능은 0.914±0.139로 무작위 탐색의 0.708±0.147보다 높았으며(p<0.001), 상위 2% 영역 적중률은 각각 87%와 27%였다. 본 결과는 실제 생물학적 효능이 아닌 폐루프 추천 구조의 실행가능성을 검증한 것으로, 향후 기업 보유 바이오신소재 데이터를 활용한 현장 검증이 필요하다.

Novel biomaterial combinations become difficult to evaluate exhaustively as the number of materials and concentration levels increases. This study proposes an AI-based platform for optimal biomaterial formulation design to reduce the experimental burden of exploring material combinations. The platform integrates continuous response-surface and global-local prediction, Bliss/HSA analysis, Gaussian Process-Expected Improvement active learning, and an LLM-RAG research assistant. In 100 repeated simulations on a 31×31 response surface, GP-EI achieved a final best response of 0.914±0.139, outperforming random search at 0.708±0.147 (p<0.001). The hit rates for the top 2% response region were 87% and 27%, respectively. These results demonstrate the feasibility of the closed-loop recommendation framework rather than actual biological efficacy. Future work will validate the platform using enterprise-owned biomaterial data.

본 연구에서는 초등학생을 대상으로 마이크로비트와 Python을 활용한 5일간의 센서 프로젝트 교육 프로그램을 구성하고 적용하였다. 교육은 LED와 버튼 제어에서 시작하여 온도 센서, ADKeypad, 가속도 센서 및 도트 매트릭스 활용으로 확장하였다. 마지막 차시에는 8명의 학생이 두 팀으로 나뉘어 청기․백기 게임과 가속도 기반 스윙강도 측정기를 제작하였다. 수업 계획서, 차시별 활동일지 및 프로젝트 구현 내용을 바탕으로 단계별 학습 구조와 프로젝트의 입력·처리·출력 기능을 분석하였다. 두 프로젝트에서는 조건문, 반복문, 변수, 센서값 처리 및 임계값 설정을 실제 장치의 입출력과 연결하였다. 본 연구는 단기 초등 피지컬 컴퓨팅 교육의 구성과 적용 사례를 제시한다.

This study developed and applied a five-day sensor project program using Micro:bit and Python for elementary school students. The program began with LED and button control and progressed to temperature sensors, an ADKeypad, an accelerometer, and a dot-matrix display. In the final session, eight students formed two teams and developed a flag game and an accelerometer-based swing-intensity meter. The instructional structure and the input, processing, and output functions of the projects were analyzed using lesson plans, daily activity records, and documented implementation results. The projects connected conditional statements, loops, variables, sensor-value processing, and threshold settings with the input and output of physical devices. This study presents the design and application of a short-term physical-computing program for elementary school students.

본 연구에서는 2자유도 평면 델타 로봇의 동적 거동을 나타내는 시계열 데이터를 대상으로 RNN, GRU, LSTM 및 TCN의 절대 X-Y 위치 예측 성능을 비교하였다. 로봇 말단부의 X-Y 방향 힘 신호와 두 축의 엔코더 신호를 기반으로 총 12채널의 시계열 입력 데이터를 구성하였으며, 모든 모델에 동일한 데이터 전처리 및 학습·검증 조건을 적용하였다. 학습과 검증에 사용되지 않은 시험 데이터를 이용하여 각 모델의 X축, Y축 및 2D RMSE를 평가하였다. LSTM은 X축 예측 정확도와 시험 시퀀스별 오차의 일관성에서 장점을 보였으며, TCN은 Y축 및 평균 2D RMSE에서 가장 우수한 결과를 나타냈다. 특히 GRU는 적은 학습 파라미터를 사용하면서 TCN과 유사한 수준의 2D RMSE를 나타내어 모델 복잡도 대비 높은 예측 성능을 보였다. 이러한 결과를 통해 로봇의 동적 거동을 나타내는 시계열 데이터의 학습에서는 모델 구조에 따라 예측 정확도와 특성에 차이가 발생하며, 적용목적에 따른 적절한 학습모델의 선택이 필요함을 확인하였다.

This study compares the absolute X Y position prediction performance of RNN, GRU, LSTM, and TCN models using time-series data representing the dynamic behavior of a 2-DOF planar delta robot. A 12-channel time-series input was constructed based on the X Y force signals measured at the robot end-effector and the encoder signals of the two actuated axes. Identical data preprocessing, training, and validation conditions were applied to all models, and their performance was evaluated using independent test data in terms of X-axis, Y-axis, and 2D RMSE. The LSTM showed advantages in X-axis prediction accuracy and consistency across test sequences, whereas the TCN achieved the lowest Y-axis and mean 2D RMSE. In particular, the GRU achieved a 2D RMSE comparable to that of the TCN with fewer trainable parameters, demonstrating favorable prediction performance relative to model complexity. These results demonstrate that different time-series learning structures exhibit distinct characteristics in terms of prediction accuracy and consistency, indicating that an appropriate learning model should be selected according to the requirements of robot dynamic behavior prediction.

본 연구의 목적은 건설 분야에서 빈번하게 사용되는 유사 표현을 체계적으로 정리하여, 동일한 작업 항목의 상이한 표현을 일관되게 인식할 수 있는 유사어 테이블을 구축하는 것이다. 이를 위해 총 9개의 건설 프로젝트 내역서에서 추출한 가설공사 데이터를 활용하였으며, 문자 기반과 의미 기반 접근법을 결합한 유사어 추출 절차를 제안하였다. 문자 기반 접근에서는 TF-IDF와 보조 알고리즘(Jaro–Winkler, Levenshtein)을 활용하여 표기상의 유사성을 분석하였으며, 의미 기반 접근에서는 FastText 임베딩을 활용하여 품명 간 의미적 유사성을 도출하였다. 두 방법의 결과를 통합하여 클러스터링을 수행한 결과, 총 395개의 품명 중 38개의 유사어 클러스터와 49개의 미매칭 품명이 도출되었다.

This study aims to develop a synonym table for common construction terminology, enabling the recognition of different terms that refer to the same work items. Data from nine temporary construction projects were used. A hybrid approach combining character-based and semantic methods was applied. The character-based method employed TF-IDF together with the Jaro Winkler and Levenshtein algorithms to measure orthographic (spelling) similarity, while the semantic method used FastText embeddings to capture semantic similarity between item names. By integrating the two methods and applying clustering, 38 synonym clusters and 49 unmatched items were identified from a total of 395 item names.

최근 치과 임상 현장의 디지털 전환에 발맞춰 예비 치과위생사의 임상 역량 강화를 위한 혁신적 교육 매체의 필요성이 대두되고 있다. 이에 본 연구는 49종의 임상 치과기구를 역설계하여 3D 모델링으로 구현한 온라인 학습매체(3D-DILM)를 개발하고, 그 교육적 효과를 실증적으로 검증하고자 하였다. 치위생(학)과 재학생 158명을 대상으로 사전 교육과 평가를 실시한 후, 1주일간 실험군은 3D-DILM을, 대조군은 인쇄 교재를 활용해 자발적 복습을 진행하도록 중재하였다. 중재 후 사후 평가와 설문지 작성을 통해 다음과 같은 결과를 나타냈다. 두 집단 모두 사후학업성취도가 유의미하게 향상되어 3D-DILM의 보조 학습도구로서 활용 가능성을 나타냈다. 또한 3D-DILM을 적용한 실험군은 대조군에 비해 복습 횟수(p=0.022), 학습매체 만족도(p=0.016), 디지털 학습매체 활용 수업 요구도(p=0.007)에서 모두 통계적으로 유의하게 높았다. 결론적으로 3D-DILM의 높은 접근성과 실재감은 학습자의 주도적인 반복 학습을 유도하는 것으로 해석될 수 있으며 향후 치위생학 교육과정 내 디지털 교육환경 확장의 타당성을 뒷받침 한다.

This study developed 3D-DILM, an online learning medium utilizing reverse-engineered 3D models of 49 dental instruments, and verified its educational effectiveness. Following initial assessments, 158 dental hygiene students underwent a one-week intervention using either 3D-DILM (experimental group) or printed textbooks (control group) for voluntary review. Post-intervention, both groups showed significant improvements in academic achievement, indicating 3D-DILM's potential as a supplementary learning tool. Furthermore, the experimental group exhibited significantly higher review frequency (p=0.022), learning medium satisfaction (p=0.016), and demand for digital media-based classes (p=0.007). In conclusion, 3D-DILM's accessibility and sense of presence effectively induce self-directed repetitive learning, supporting the expansion of digital educational environments in the dental hygiene curriculum.