본 논문에서는 3개의 부궤환 루프를 가진 저잡음 위상고정루프를 제안하였다. 기존 구조의 위상고정루프는 하나의 부궤환 루프로 구성되어 있어 잡음 특성 개선이 쉽지 않다. 추가된 부궤환 루프는 지터 특성을 결정하는 전압제어발진기의 입력 전압 크기를 줄여주는 역할을 하여 기존 구조로 쉽지 않은 잡음 특성 개선을 가능하게 해준다. 시뮬레이션 결과는 부궤환 루프가 추가될 때마다 지터 특성이 개선되는 것을 보여주고 있다. 전력의 경우 10% 정도 약간 상승하게 되지만, 지터 특성은 2배 정도 개선된다. 제안된 위상고정루프는 1.8V 180nm CMOS 공정을 이용하여 Hspice로 시뮬레이션 하였다.

본 논문에서는 4세대 VNAND 공정으로 만들어진 Peri 소자의 스트레스 영역 별 time-dependent dielectric breakdown(TDDB) 열화 메커니즘을 분석하고, 기존의 수명 예측 모델보다 더 넓은 신뢰성 평가 영역에서 신속성과 정확성을 향상시킬 수 있는 수명 예측 보완 모델을 제시하였다. SiON 절연층 nMOSFET에서 5개의 Vstr 조건에 대해 각 10번의 constant voltage stress(CVS) 측정 후, stress-induced leakage current(SILC) 분석을 통해 저전계 영역에서의 전계 기반 열화 메커니즘과 고전계 영역에서의 전류 기반 열화 메커니즘이 주요함을 확인하였다. 이후 Weibull 분포로부터 time-to-failure(TF)를 추출하여 기존의 E-모델과 1/E-모델의 수명 예측 한계점을 확인하였고, 각 모델의 결합 분리 열화 상수(k)를 추출 및 결합하여 전계 및 전류 기반의 열화 메커니즘을 모두 포함하는 병렬식 상호보완 모델을 제시하였다. 최종적으로 실측한 TDDB 데이터의 수명을 예측할 시, 기존의 E-모델과 1/E-모델에 비해 넓은 전계 영역에서 각 메커니즘을 모두 반영하여 높은 스트레스에서 신속한 신뢰성 평가로 더 정확한 수명을 예측할 수 있음을 확인하였다.

본 논문은 4세대 VNAND 공정으로 만들어진 고전압 SiO2 절연층 nMOSFET의 n⁺ 및 p⁺ poly-Si 게이트에서의 positive bias temperature instability(PBTI) 열화에 대해 비교하고 각각의 메커니즘에 대해 분석한다. 게이트 전극 물질의 차이로 인한 절연층의 전계 차이 때문에 n⁺/nMOSFET의 열화가 p⁺/nMOSFET의 열화보다 더 클 것이라는 예상과 다르게 오히려 p⁺/nMOSFET의 열화가 더 크게 측정되었다. 원인을 분석하기 위해 각각의 경우에 대해 interface state와 oxide charge를 각각 추출하였고, 캐리어 분리 기법으로 전하의 주입과 포획 메커니즘을 분석하였다. 그 결과, p⁺ poly-Si 게이트에 의한 정공 주입 및 포획이 p⁺/nMOSFET의 열화를 가속시킴을 확인하였다.

본 논문은 스퍼터링 장비를 이용하여 ITO 유리 기판에 CdTe 박막을 RF Power로 변화주면서 CdTe 박막을 증착하였다. 박막의 두께를 측정한 결과, 100W 일 때 1481Å, 150W는 2985Å, 200W는 4684Å로 측정되었다. 그리고 이동도는 100W일 때 8.43cm2/Vs, 150W는 7.91cm2/Vs, 200W는 6.57cm2/Vs로 측정되었다. 시편의 두께와 이동도는 반비례한 한다는 것을 알 수가 있었다. 투과율을 확인한 결과, 100W 일 때 905nm에서 투과율은 84%, 150W는 825nm에서 투과율이 71%, 200W는 874nm에서 77%로 측정되었다. 이것은 시편의 두께가 100W일 때 시편의 두께가 얇았으므로 투과율이 높게 측정되었다. 즉 투과율과 두께의 상관관계를 알 수가 있는 부분이다. RF Power를 변화주어 반치폭과 입자의 크기를 측정한 결과, 반치폭은 100W일 때 0.18, 150W는 0.19, 200W는 0.73으로 계산되었다. 입자의 크기는 100W에서는 8.47Å, 150W에서는 7.98Å, 200W일 때 가장 큰 8.7Å으로 형성된 것으로 확인되었다. 결론적으로 반치폭과 입자 크기는 반비례하는 것을 알 수 있었다.

최근 대규모 데이터 세트로 학습된 거대 언어 모델들의 뛰어난 성능이 공개되면서 큰 화제가 되고 있다. 하지만 거대 언어 모델을 학습하고 활용하기 위해서는 초대용량의 컴퓨팅 및 메모리 자원이 필요하므로, 대부분의 연구는 빅테크 기업들을 중심으로 폐쇄적인 환경에서 진행되고 있었다. 하지만, Meta의 거대 언어 모델 LLaMA가 공개되면서 거대 언어 모델 연구들은 기존의 폐쇄적인 환경에서 벗어나 오픈 소스화되었고, 관련 생태계가 급격히 확장되어 가고 있다. 이러한 배경하에 사전 학습된 거대 언어 모델을 추가 학습시켜 특정 작업에 특화되거나 가벼우면서도 성능이 뛰어난 모델들이 활발히 공유되고 있다. 한편, 사전 학습된 거대 언어 모델의 학습데이터는 영어가 큰 비중을 차지하기 때문에 한국어의 성능이 비교적 떨어지며, 이러한 한계를 극복하기 위해 한국어 데이터로 추가 학습을 시키는 한국어 특화 언어 모델 연구들이 이루어지고 있다. 본 논문에서는 오픈 소스 기반의 거대 언어 모델의 생태계 동향을 파악하고 영어 및 한국어 특화 거대 언어 모델에 관한 연구를 소개하며, 거대 언어 모델의 활용 방안과 한계점을 파악한다.

Harmony search(HS)는 새로운 하모니를 구성할 때 HM을 참조하는 경우 개별 하모니의 평가를 이용하지 않지만 PSO(particle swarm optimization)는 개별 입자의 평가와 모집단의 평가를 이용하여 해를 찾아간다. 그러나 본 연구에서는 HS와 PSO의 유사점을 찾아 PSO의 입자 개선 과정을 HS에 적용하여 알고리즘의 성능을 향상시키고자 하였다. PSO 알고리즘을 적용하기 위해서는 개별 입자의 local best와 떼(swam)의 global best가 필요하다. 본 연구에서는 HS가 harmony memory(HM)에서 가장 나쁜 하모니을 개선하는 과정을 PSO와 매우 유사한 과정으로 보았다. 이에 따라 HM의 가장 나쁜 하모니를 입자의 PSO의 local best로, 가장 좋은 하모니는 PSO의 global best 최고로 간주하였다. 이와 같이 PSO의 입자 개선과정을 HS 하모니 개선과정에 도입하여 HS의 성능을 향상시킬 수 있었다. 본 연구의 결과는 다양한 함수에 대한 최적화 예시를 통해 비교 확인하였다. 그 결과 정확성과 일관성에 있어 기존 HS보다 제안한 HS-PSO가 매우 우수함을 알 수 있었다.

농촌 인구의 감소와 고령화로 인한 노동력 부족, 비닐하우스 내의 악화된 환경과 위험에 따른 사망 사례가 발생하고 있다. 이에 따라, 비닐하우스에서의 작물 재배와 병해 검출을 자동화하여 인력 손실을 막는 시스템이 필요하다. 본 논문에서는 비닐하우스에서 작물의 병해를 검출하기 위해 객체 검출 기반의 모델을 활용한다. 또한, 클라우드에서 인공지능 모델의 환경을 구성하여 안정성을 확보한다. 제안하는 시스템은 비닐하우스 내에서 촬영한 영상을 데이터베이스에 저장하고, 클라우드에서 영상을 다운로드한 후 Yolo-v4를 기반으로 추론한 검출 결과를 JSON 파일로 생성한다. 이 파일을 분석하여 데이터베이스로 전송하여 저장한다. 실험 결과로 객체 검출을 통한 병해 감지는 비닐하우스와 같은 실제 환경에서 높은 성능을 나타냄을 확인할 수 있고 데이터베이스를 통하여 효율적인 모니터링이 가능함을 확인하였다.