Translate

2018년 12월 31일 월요일

2018년 있었던 이런 저런 일



 올해도 별로 한 일이 없는 듯 한데 어느덧 1년이 지났습니다. 나이 먹으면 1년 더 지나는 게 사실 좀 무섭기도 하고 그런 것 같습니다. 순식간에 지난 것 같아도 당연히 그동안 이런 저런 크고 작은 일들이 있었을 것이고 큰 사고 없이 한 해를 마무리하기만 해도 다행일 것입니다. 저 역시 소소하게 이런 저런 일이 있기는 했지만, 그래도 무사히 한 해를 또 마무리 한 것 같습니다. 


 - 블로그 


 블로그는 하루 3편 정도 포스팅이 기본으로 자리 잡은 것 같은데, 사실 상당수 포스트는 수일 전에 미리 써놓을 정도로 나름 여유 있게 진행 중입니다. 물론 길게 쓰지는 못하지만, 시간이 없는 형편에 이 정도면 괜찮다고 생각합니다. 기사도 마찬가지입니다. 이제 블로그 개설 10주년이 다가오는 데 블로그 방문자 2100만명이라는 돌파라는 대기록은 저도 생각치 못한 것이네요. 부족한 부분도 많지만 많이 와서 봐주시는 독자님들 덕분이라고 생각합니다. 


 다만 하루 방문자 수는 그전에 비해서 눈에 띄게 감소했습니다. 한 때 하루 8000명이 넘는 시절도 있었으나 이제는 4000명 정도로 절반 수준으로 감소했습니다. 사실 저만 그런 건 아니고 대부분의 블로그가 유입 인구가 줄어든 것으로 알고 있습니다. 10년 전 블로그가 크게 흥했을 때 처럼 이제는 유튜브가 크게 흥한 것이 원인인데, 과연 네이버 블로그가 얼마나 더 위상을 유지할 수 있을지 궁금해지는 부분입니다. 


 그래서인지 네이버에서는 블로그 서비스를 개선하기 위해 올해 이런 저런 시도를 진행했습니다. 저에게도 참석해 달라면서 블로그 관련 설명회를 개최하기도 했구요. (저는 시간이 없어 못갔습니다) 저처럼 취미로 하는 사람이야 유입인구에 크게 신경을 쓰지 않겠지만, 네이버는 유입되는 트래픽에 수익이 달라지는 상황이라 방관만 할 수 없을 것입니다. 다만 이 부분은 문자에서 영상으로 시대의 기호가 바뀌는 것과도 연관이 있어 전통적인 블로그 서비스는 과거 같은 힘을 발휘하기는 어렵지 않을까 생각합니다. 


 저는 시간도 없고 문자가 중심이 되는 편이 정보 전달에 더 유리하다고 보기 때문에 (물론 동영상이 매우 유용한 부분도 있기 때문에 유튜브 영상을 첨부하는 경우가 많지만) 블로그를 계속 유지할 계획입니다. 동영상은 만들 시간도 없고 방송은 더더구나 시간이 없습니다. 


 그런 점을 감안하면 블로그 개설 20주년을 맞이할 수 있을지 의문도 들지만, 글 쓰기가 취미인 만큼 큰 이변이 없으면 취미 생활을 그대로 유지하지 않을까 생각합니다. 


 - 연구


 올해 제가 주저자로 들어간 논문이 모두 9편 발표됐습니다. 평균 인용지수 (IF)는 3.7점 정도이고 가장 높은 저널은 5.99점인데, 대부분은 3점대 저널에 발표되었습니다. 시간이 없어 연구를 많이 못했다고 생각했는데, 생각보다 많은 논문이 발표된 셈이죠. 하지만 작년에 쓴 논문이 지금 게재된 것도 있고 해서 사실 내년에는 아마도 이것보다 숫자가 줄어들지 않을까 생각합니다. 그래도 연구를 본업으로 하는 프로페셔널 연구자가 아니라는 점을 생각하면 상당히 좋은 성적이었습니다. 


 덕분에 올해는 연구 관련해서 상도 받았습니다. 제가 있는 병원에서 우수 연구자로 뽑힌 것인데, 규모가 작지 않은 3차 병원이고 전문의도 제법 많기 때문에 생각지 못했던 성과인 것 같습니다. 다만 앞으로 갈 길이 먼 상태이고 아직도 부족한 부분이 많은 것 같습니다. 


 돈도 없고 시간도 없는 연구자로써 대단한 결과를 바라지는 않지만, 그냥 공부하는 셈치고 연구를 하다보니 나름의 결실도 있는 듯 합니다. 물론 세계적인 석학이 되지는 않겠지만, 논문 안쓰는 것보다는 공부를 더 많이 하게 되니까 그 부분이 좋은 것 같습니다. 큰 걸 기대하진 않지만 더 바라는 게 있다면 IF 10점 이상의 상위권 저널에 논문 한 편 발표를 해봤으면 합니다. 


 올해 accept 된 저널 가운데서 기억에 남는 저널은 유럽 내분비 학회 공식 저널인 European Journal of Endocrinology, 그리고 미국 내분비 학회 (Endocrine Society) 공식 저널인 JCEM (Journal of Clinical Endocrinology & Metabolism) 입니다. 올해는 내분비 쪽 저널이 많이 accept 됐는데 American Journal of Hypertension이나 JCSM (Journal of clinical sleep medicine, 미국 수면 학회 American Academy of Sleep 공식 저널) 같이 다른 분야의 저널도 있었습니다. 


 하지만 가장 예상하지 못했던 결과는 JASH (journal of the american society of hypertension)에서 나왔습니다. 이 저널은 American society of hypertension의 공식 저널인데 리비전을 받고 진행해서 accept 소식을 기다리던 중 놀라운 메일을 받았습니다. 그것은 ASH가 미국 심장 협회 (AHA)로 흡수되면서 JASH가 사라진다는 이야기였습니다. 그러면서 우리가 교정해서 보낸 논문은 실어줄수가 없게 됐다고 하더군요. -_- 저널이 중간에 사라지는 건 지금까지 겪어보지 못한 일이라 좀 황당했습니다. 

  
 에디터가 대신 새로 생기는 저널에 투고해보면 어떻겠느냐고 제안했지만, 아직 SCI(E)에 등재되지 않은 완전히 신간 저널이라 결국 거절하고 다른 저널에 투고한 상태입니다. 연구하다보면 생각치 않은 우여 곡절도 생기긴 하지만 이번 일은 편집부에서 좀 신경썼어야 하는 일이 아닐까 생각합니다. 저널이 없어질 상황이라면 그런 이유로 논문을 더 받을 수 없다고 미리 말을 해야지 리뷰를 진행 한 후 교정까지 진행해 보낸 상태에서 갑자기 이런 제안을 하는 건 좀 황당한 경우인 것 같습니다. 


 아무튼 길지 않은 연구 경력에 별일을 다 겪어 보는 듯 합니다. 


 - 그리고 육아 


 사실 올해 한 해 가장 많은 손이 간 것은 역시 육아입니다. 이제 16개월인 딸 아이에 손이 많이 가는 건 어쩔 수 없는 일이겠죠. 지난 한 해를 돌이켜보면 블로그 쓰는 시간이나 연구한 시간보다 아이와 함께 한 시간이 더 길었던 것 같습니다. 올해 초에는 뒤집기도 못하던 아이가 이제는 잘 걸어다니니까 그 만큼 시간이 지난 것이겠죠. 아직은 말을 잘 못하지만 아빠 엄마 정도는 할 수 있습니다. 내년에는 더 많은 말을 하고 더 많은 장소를 같이 다닐 수 있을 것으로 생각합니다. 


 올해 아이의 사진을 수천 장 이상 찍고 많은 영상을 기록으로 남겼습니다. 지금 모습은 나중에는 기억이 가물가물 하겠지만, 사진과 영상을 통해서 그 때 모습을 다시 떠올릴 수 있을 것으로 기대합니다. 아이에 대해서 특별히 기대하는 건 없지만, 무탈하고 건강하게 자라서 행복하게 지냈으면 좋겠습니다. 


 여기까지 긴 글 읽어주신 독자분들도 내년에 무탈하고 건강한 한 해를 보내시기를 기대합니다. 

 감사합니다. 



아일랜드에서 발견된 새로운 항생 물질



(Growth of the newly discovered Streptomyces sp. myrophorea, so named because it produces a distinctive fragrance similar to that of oil of wintergreen. Although superficially resembling fungi, Streptomyces are true bacteria and are the source of two-thirds of the various frontline antibiotics used in medicine. Credit: G Quinn, Swansea University)


 아일랜드의 토양에서 내성균을 효과적으로 억제하는 새로운 항생 물질이 발견됐습니다. 스완지 의대 (Swansea University Medical School)의 연구팀이 이끄는 다기관 연구팀은 보호 하이랜드(Boho Highlands)로 알려진 북 아일랜드의 퍼매너 Fermanagh, Northern Ireland의 토양에서 Streptomyces sp myrophorea라는 새로운 균주를 분리했습니다. 그런데 흥미롭게도 이 균주가 가장 중요한 6가지 약제 내성균 중 4가지를 억제할 수 있다는 사실이 확인됐습니다. 


 억제가 확인된 내성균은 병원 내 감염에서 골치 아픈 세균인 VRE (Vancomycin resistant Enterococcus faecium), MRSA (methicillin-resistant Staphylococcus aureus), 녹농균 (Klebsiella pneumonia), 카바페넴 내성 A. baumanii (Carbenepenem-resistant Acinetobacter baumanii)
인데 그람 음성균과 양성균을 동시에 억제할 수 있다는 점이 매우 흥미롭습니다. 


 이번 연구에서 재미있는 사실은 이 세균이 발견된 장소가 북 아일랜드에서 여러 가지 질병에 치료 효과가 있다고 알려진 영험한 땅이라는 것입니다. 1500년 전에는 드루이드가 살았고 4000년 전에는 신석기인이 살았던 고대의 땅에 차세대 항생제 후보가 숨어 있었다는 사실이 재미있습니다. 


 물론 아직은 후보이고 바로 임상에서 사용할 수 있는 항생제가 개발된 것은 아닙니다. 실제 항생제 개발까지는 여러 단계의 임상 실험 및 대량 제조 기술 개발 과제가 남아 있습니다. 대부분의 경우 이 과정에서 신약으로 개발되지 못하고 사장되는 경우가 대부분이라 아직은 성급하게 결론을 내릴 순 없는 것이죠. 


 하지만 앞서 언급한 것처럼 후보가 많을 수록 실제 약물로 개발될 가능성도 커질 것입니다. 앞으로도 새로운 항생제 후보를 찾아 많은 연구가 이뤄질 것입니다. 


 참고 


Luciana Terra et al. A Novel Alkaliphilic Streptomyces Inhibits ESKAPE Pathogens, Frontiers in Microbiology (2018). DOI: 10.3389/fmicb.2018.02458 

해조류에서 만든 바이오 플라스틱


(The microorganisms produced a bioplastic polymer called polyhydroxyalkanoate (PHA) after consuming sea lettuce, pictured here(Credit: H. Krisp/C.C. 3.0))


 텔아비브 대학의 연구팀이 해조류를 원료로 생산할 수 있는 바이오 플라스틱의 제조 방식을 개발했습니다. 이 대학의 알렉산더 골베르그 박사 (Dr. Alexander Golberg)와 마이클 고진 교수 (Prof. Michael Gozin)는 갈파래속의 해조류인 Ulva lactuca (sea lettuce)를 분해해서 바이오 플라스틱의 재료로 흔히 사용되는 polyhydroxyalkanoate (PHA)을 생산하는 Haloferax mediterranei라는 박테리아를 찾아냈습니다. 


 PHA는 플라스틱과 유사한 성질을 가진 생분해성 고분자 물질로 생체적합성이 높은 물질이라 현재도 의료용 봉합사를 비롯해서 다양한 분야에 사용되고 있습니다. 물론 저렴하게 생산이 가능하다면 기존의 석유 화학 기반 제품의 상당 부분을 대체할 가능성도 있습니다. 문제는 PHA를 생산하기 위해서 세균을 키우려면 적지 않은 양의 곡물 및 물이 원료로 필요하다는 것입니다. 이 역시 귀중한 자원이기 때문에 현재의 석유 화학 제품을 바이오 플라스틱으로 대체한다는 것은 무리가 있는 발상입니다. 


 연구팀은 이스라엘 처럼 물 자원이 부족한 국가에서도 쉽게 바이오 플라스틱을 생산할 수 있는 방법으로 해조류에 눈을 돌렸습니다. 해조류는 쉽게 키울 수 있고 바이오 매스 생산 과정에서 토지와 물을 필요로 하지 않기 때문에 큰 장점이 있지만, 일부 식량 자원으로 활용하는 것 이외에는 다른 응용이 어렵다는 단점이 있습니다. 따라서 박테리아를 이용해서 PHA를 생산할 수 있다면 해조류 바이오 매스의 산업적 활용에 가능성이 높아질 것입니다. 


 다만 경제적으로 대량 생산이 가능한 것과 실험실에서 가능한 것은 다른 이야기이기 때문에 이것이 해조류 바이오 플라스틱의 시대를 열었다고 말하기에는 무리가 있습니다. 그래도 우리 나라처럼 바다와 접한 부분은 많고 토지는 부족한 나라에서 관심을 가져볼만한 이야기 같습니다. 


 참고 


Supratim Ghosh et al, Macroalgal biomass subcritical hydrolysates for the production of polyhydroxyalkanoate (PHA) by Haloferax mediterranei, Bioresource Technology (2018). DOI: 10.1016/j.biortech.2018.09.108 


2018년 12월 30일 일요일

향유 고래의 몸 표면을 탐사하는 로버




(Credit: Tsuchiya et al.)


 일본 야마가타 대학 및 데이쿄 대학(Yamagata University and Teikyo University)의 연구팀이 매우 독특한 형태의 로버를 개발했습니다. 이들이 만든 로버는 땅 위가 아니라 깊은 바다 속을 탐사하는데, 바다 밑 바닥이 아니라 향유 고래의 멈 표면을 탐사하는 것이 목적입니다. 


 고래를 비롯한 대형 해양 생물에 센서나 카메라를 붙여 그 행동이나 포식 활동 등 다양한 정보를 수집하는 것은 동물을 연구하는 과학자들에게 매우 흔한 모습입니다. 하지만 여기에도 한계는 존재합니다. 고래의 경우 너무 몸집이 큰 데다 깊이 잠수하기 때문에 카메라를 부착해도 전체 모습을 관찰하기가 어렵습니다. 


 이런 문제 때문에 해양 생물학자인 코이치 모리 교수 (Prof. Kyoichi Mori)는 유이치 츠마키 교수 (Prof. Yuichi Tsumaki)에게 의뢰해 고래 몸 표면을 기어다닐 수 있는 로버 개발을 의뢰했습니다. 그렇게 해서 개발된 로버는 향유 고래 몸통에 붙을 수 있는 흡판과 두 개의 프로펠러를 지닌 독특한 형태로 개발됐습니다. 가장 기발한 아이디어는 흡판이 아니라 바로 프로펠러로 물의 흐름을 이용해 동력을 생산합니다. 


 연구팀은 이 로버를 수심 500m에서 테스트 해서 해류의 흐름 만으로도 충분한 전력을 생산할 수 있다는 점을 확인했습니다. 연구팀은 이 고래 로버가 고래는 물론 해저 케이블 같은 다양한 해저 인프라 탐사에도 응용될 수 있기를 기대하고 있습니다. 제 생각에는 오히려 이쪽이 더 현실성 있지 않을까 생각합니다. 


 물론 흥미로운 아이디어긴 하지만 일본에서 진행된다니 혹시 포경을 위한 건 아닌지 하는 의구심도 드네요. 좋은 목적을 위해서 사용되기를 기대해 봅니다. 



 참고 



R을 이용해 간단한 신경망 만들기 (4)



 이번에는 앞서 다뤄본 예제 데이터 가운데 하나인 보스턴 집값 데이터를 이용해서 neuralnet 패키지를 다뤄보겠습니다. 이 예제 역시 흔한 예제 데이터 가운데 하나로 구글에서 검색해보면 쉽게 코드를 검색할 수 있을 것입니다. 하지만 예제 코드만 돌려봐서는 무슨 내용인지 알기가 쉽지 않습니다. 여기서는 구체적으로 집값을 어떻게 예측하는지를 알아보겠습니다. 이 부분은 구글링한 것이 아니라 제가 스스로 생각해서 적어보는 것입니다. 


 우선 학습을 시킨 후 새로운 데이터를 바탕으로 집값을 예측하게 만들기 위해 데이터 셋을 train, test 두개로 나눕니다. 이렇게 데이터를 나누는 방식은 머신 러닝에서 매우 흔한 방법론 가운데 하나입니다. 물론 이는 예측 모델을 만드는 데 기본이기도 합니다. 



library(neuralnet)
library(MASS)

data("Boston", package = "MASS")
data<-boston span="">

set.seed(1234)
n = nrow(data)
train <- 400="" n="" sample="" span="">
test <- data="" span="" train="">
train <- data="" span="" train="">


 이 코드 내용은 이해하기 어렵지 않을 것입니다. 400개는 train 데이터로 106개는 테스트 데이터로 나눠서 학습시킨 신경망으로 집값을 예측하게 하는 것이죠. 일단 앞서 선형 모델에서 본 모델을 넣어 보겠습니다. 신경망은 간단하게 3,3,3 으로 기본 옵션에 맞춰 진행해 보겠습니다. 



f=medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + tax

fit<-neuralnet f="" span="">
               data=train, 
               hidden=c(3,3,3),
               algorithm = "rprop+",
               err.fct = "sse",
               act.fct = "logistic",
               threshold = 0.1,
               stepmax=1e6,
               linear.output = TRUE)


pred<-compute black="" c="" chas="" crim="" dis="" fit="" lstat="" nox="" ptratio="" rm="" span="" tax="" test="" zn="">
result<-cbind net="" pred="" span="" test="">
result


 이렇게 진행하면 예상하지 않은 결과가 나올 것입니다. 




 실제 집값과 관계없이 모두 22.51... 로 예측이 되버립니다. 신경망을 10,10,10으로 하면 더 예상하지 않은 결과가 나옵니다. 





 왜 이런 결과가 나왔을까요. 여러 가지 이유가 있겠지만, 사실 한 가지 과정이 빠졌기 때문입니다. 바로 데이터의 정규화 과정입니다. 변수를 정규화해주면 분류가 훨씬 쉬워져서 신경망의 성능이 올라가고 엉뚱한 결론을 내릴 가능성이 줄어듭니다. (x - mean(x)) / sd(x)의 방법으로 정규분포로 바꿔줄 수 있지만, R에서는 scale 함수로 한 번에 변환이 가능합니다. 

library(neuralnet)
library(MASS)

data("Boston", package = "MASS")
data<-boston span="">
data<-scale data="" span="">

set.seed(1234)
n = nrow(data)
train <- 400="" n="" sample="" span="">
test <- data="" span="" train="">
train <- data="" span="" train="">

 이렇게 다시 데이터를 준비한 후 같은 코드를 실행해 봅니다. 

fit<-neuralnet f="" span="">
               data=train, 
               hidden=c(10,10,10),
               algorithm = "rprop+",
               err.fct = "sse",
               act.fct = "logistic",
               threshold = 0.1,
               stepmax=1e6,
               linear.output = TRUE)


pred<-compute black="" c="" chas="" crim="" dis="" fit="" lstat="" nox="" ptratio="" rm="" span="" tax="" test="" zn="">
result<-cbind net="" pred="" span="" test="">
result




 이번에도 곤란한 문제가 생깁니다. 정규화를 한 덕에 결과가 빨리 그리고 보다 정확하게 나왔겠지만, 대신 본래 값이 무엇인지 알 수 없게됐습니다. 앞서 다이아몬드 예제에서도 정규화를 할 수 있었는데, 그렇게 하지 않았기 때문에 본래 값이 무엇인지 쉽게 추정이 가능했습니다. 이 예제에서 우리가 알고자 하는 것은 DNN을 이용해서 집값을 예측하는 것입니다. 그러면 앞서 공식에서 x=y x sd(x) + mean(x)를 유도할 수 있을 것입니다. 정규분포에서 추정한 값을 이용해 본래 값을 얻어보겠습니다. 


data("Boston", package = "MASS")
data<-boston span="">

set.seed(1234)
n = nrow(data)
train <- 400="" n="" sample="" span="">
test <- data="" span="" train="">
train <- data="" span="" train="">

test$medv2=pred$net*sd(train$medv)+mean(train$medv)
test


 우리는 train 값만 알고 있다고 가정하기 때문에 train 데이터의 집값의 평균과 표준편차를 사용했습니다. 




결과를 다시 보니 얼추 비슷하게 집값을 구했다는 사실을 확인할 수 있습니다. 다만 일부 값이 본래 값과 다르게 추정한 경우도 있었습니다. 


 보스턴 예제는 흔하게 인터넷에서 볼 수 있지만, 구체적으로 어떻게 DNN을 통해서 집값이 예측하는지 보여주는 대신 전문적인 분석 이야기로 넘어가기 때문에 사실 예제를 돌려봐도 무슨 내용인지 이해가 쉽지 않습니다. 구글링해서 쉽게 구할 수 있는 예제인데도 여기서 풀어 쓴 이유입니다. scale을 왜 하는지, 그리고 이 방법으로 어떻게 집값을 예측 혹은 분류하는 신경망을 만들 수 있는지에 대한 설명은 좀처럼 보기 어려워서 아쉬운 부분이 있었습니다. 


 다음에는 신경망 모델을 평가하고 개선하는 방법에 대해서 알아보겠습니다. 

춤추는 6족 로봇 Z6




(Credit: Robugtix)


 Robugtix 라는 제조사에서 Z6라는 매우 독특한 형태의 6족 버행 로봇을 공개했습니다. 이 로봇은 쉽게 접어서 보관하거나 휴대할 수 있으며 다리를 펼치면 계단이나 복잡한 지형도 통과할 수 있습니다. 참고로 접었을 때 크기는 20 x 23 x 13.7 cm 이고 펼치면 52 x 49 x 17 cm  정도입니다. 


 이 로봇이 어떤 실용성이 있는지는 알 수 없지만, 한 가지 신기한 재주는 춤을 추는 것입니다. 구체적인 내용은 동영상을 보는 것이 더 이해가 빠를 것입니다. 




(동영상) 


 솔직히 어떤 필요성이 있는 로봇인지는 잘 모르겠지만, 잘만 가다듬으면 애완용 로봇으로 대박나지 않을까하는 생각도 드네요. 아무튼 재미있는 로봇 같습니다. 



 참고 




2018년 12월 29일 토요일

R1 pod를 무인 배송 서비스에 투입한 Nuro



(Nuro's R1 self-driving electric delivery pod has made the first completely unmanned grocery deliveries in Scottsdale, Arizona(Credit: Nuro))


 앞서 소개한 자율 주행 자동차 스타트업인 뉴로 (Nuro)는 애리조나 주 스콧스데일 (Scottsdale, Arizona)에서 식료품 유통 업체 크로거 (Kroger)와 손잡고 자율 주행차를 이용한 무인 식료품 배달 시범 서비스를 진행했습니다. 첫 시범 서비스는 안전 문제로 프리우스(Prius) 가반의 자율 주행차를 이용했으며 사람이 탄 상태에서 자율 주행 시스템의 성능을 검증했습니다. 그 이후 뉴로는 자사의 R1 pod를 실제 도로에 투입해 첫 무인 배송 서비스를 성공적으로 마쳤다는 소식입니다. 







 (동영상) 


 구글 출신의 엔지니어들이 설립한 뉴로는 상당한 자금을 투자받은 스타트업으로 크로거 같은 큰 고객을 끌어들여 실제 도로 환경에서 테스트를 진행한다는 점에서 여러 자율 주행 스타트업 가운데서 주목받고 있습니다. 물론 실제로 사람이 하는 배달 업무를 무인 팟이 대신할 수 있을지는 더 검증이 필요한 부분이지만, 가능성은 보여주고 있다고 할 수 있습니다. 


 만약 뉴로의 R1 pod이 스콧스데일에서 성공을 거둔다면 당연히 그 다음 단계는 당연히 서비스를 확대하는 것입니다. 구체적으로 서비스를 어떻게 확대할지는 공개하지 않았지만, 이 테스트 서비스가 성공을 거두면 앞으로 1-2년 안에 빠르게 확산될 가능성도 있습니다. 인건비가 비싸고 배송 거리가 긴 미국의 교통 환경을 생각하면 무인 배송 시스템 도입에 대한 반발도 우리나라보다 훨씬 적지 않을까 생각합니다. 


 최근에 카풀에 대한 택시 업계의 강력한 반발을 보면서 생각한 것은 카풀은 사실 별 문제가 아닐 수 있다는 것입니다. 진짜 큰 파도는 바로 자율 주행 기술입니다. 자율 주행 기술은 택시는 물론이고 운수업 전반에 근본적인 변화를 예고하고 있습니다. 1-2년 안에는 큰 변화는 없겠지만, 10-20년 후의 도로 상황은 지금과 엄청나게 달라질지도 모릅니다. 


 참고 


2억년 전 대형 육식 공룡이 발견되다.



(At the Natural History Museum of Milan, paleontologist Cristiano Dal Sasso (left) and co-authors Simone Maganuco and Andrea Cau (center and right) examine the bones of Saltriovenator, deposited in the Museum collections. Credit: Gabriele Bindellini)

(Simplified evolutionary tree of predatory dinosaurs (theropods). Saltriovenator predates the massive meat-eating dinosaurs by over 25 million years: it is the oldest known ceratosaurian, and the world's largest predatory dinosaur from the Lower Jurassic. During the Jurassic, the three- fingered tetanuran theropods appeared, which gave rise to birds. Credit: Andrea Cau)


 이탈리아에서 쥐라기 초기 대형 육식 공룡의 화석이 발견됐습니다. 이 화석은 대부분의 육식 공룡이 작았던 2억 년 전의 것으로 밀라노에서 80km떨어진 채석장에서 발견됐습니다. 사실 발견된 것은 1996년으로 많은 화석들이 그렇듯이 한동안 연구가 되지 않았다가 최근에야 그 정체가 밝혀진 경우입니다. 밀라노 자연사 박물관의 크리스티아노 달 사소 (Cristiano Dal Sasso, of the Natural History Museum of Milan)와 그 동료들은 이 공룡이 쥐라기 극초기의 거대 육식 공룡이라는 사실을 확인했습니다. 


 공룡하면 거대한 짐승을 먼저 생각하지만, 사실 트라이아스기 말 멸종 사건 직후에는 작은 공룡들이 주종을 이뤘습니다. 이들은 빠르게 적응 방산해 다양한 크기와 형태로 진화했는데 육식 공룡과 초식 공룡 사이에 크기를 두고 진화적 군비 경쟁이 일어난 것으로 보입니다. 따라서 머지 않은 시기에 거대한 초식 공룡과 육식 공룡이 등장하게 됩니다. 


 이번에 발견된 육식 공룡 (Saltriovenator zanellai)은 1톤 정도 크기로 당시 기준으로는 매우 드문 거대 포식자입니다. 흥미롭게도 이 화석에는 해양 무척추동물에 의해 뜯어먹힌 흔적들이 있는데 이는 이 공룡이 죽은 후 바다로 흘러들어가 바다 밑에서 화석화 되었다는 점을 시사합니다. 아마도 당시 최상위 포식자로 다른 공룡에 의해 공격당할 일은 드물었을 것입니다. 따라서 홍수에 휩쓸려 화석화 됐다는 해석이 가장 가능성이 높습니다. 


 초기 대형 육식 공룡 화석인 만큼 이 공룡은 여러 가지 원시적인 특징을 지니고 있는데, 손가락이 네 개인 디플로사우루스와 세라토사우루스 (four-fingered dilophosaurids and ceratosaurians) 그리고 세 개의 손가락을 지닌 테타누란 수각류 (three-fingered tetanuran theropods)의 특징을 동시에 가지고 있습니다. 이는 대형 육식 공룡의 진화와 수각류 육식 공룡에서 진화한 조류의 진화를 이해하는데 중요한 단서를 제공할 것으로 보입니다. 참고로 살트리오페나토르는 세라토사우루스류 가운데 가장 오래된 종입니다. 


 공룡은 분명 처음부터 큰 동물은 아니었습니다. 그러나 진화적 군비 경쟁을 포함해 여러 가지 이유로 거대한 종이 등장했을 것입니다. 왜 그렇게까지 커졌는지에 대해서는 아직도 논쟁이 끝나지 않았지만, 그 비밀 중 일부는 이들이 거대화하기 시작한 초기에 숨어있을지 모릅니다. 


 참고 


 Dal Sasso C, Maganuco S, Cau A. 2018. The oldest ceratosaurian (Dinosauria: Theropoda), from the Lower Jurassic of Italy, sheds light on the evolution of the three-fingered hand of birds. PeerJ 6:e5976 DOI: 10.7717/peerj.5976 

고밀도 데이터 저장이 가능한 광학 메모리 셀 기술


 옥스퍼드, 엑세터, 뮌스터 대학 (Universities of Oxford, Exeter and Münster)의 연구팀이 역대 가장 많은 정보를 기록할 수 있는 상변화 광학 메모리 셀 (phase-change optical memory cell)을 개발했습니다. 광학적 데이터 기록 시스템은 CD나 DVD 같은 광미디어에서 흔히 볼 수 있습니다. 다만 데이터 기록 밀도는 지금 기준으로는 낮은 편인데다 속도도 느려 점차 데이터 저장 방식으로 사양길을 걷고 있습니다. 


 하지만 일부 연구자들은 상변화 광학 메모리에 새로운 가능성이 있을 것으로 기대하고 있습니다. 데이터 보존 능력에서 다른 매체를 앞설 뿐 아니라 새로운 기술을 적용해 기록 속도와 밀도를 크게 높일 수 있기 때문입니다. 


 연구팀은 두 개의 레이저 펄스를 이용해 한 번에 34 상태의 변화를 기록할 수 있는 방법을 개발했습니다. 2^5=32라는 걸 생각하면 5bit 데이터 저장이 가능한 것입니다. 연구팀에 의하면 데이터 저장 속도 역시 기존의 방식보다 훨씬 빠르다고 합니다. 메모리 셀이기 때문에 여러 번 기록이 가능한 것으로 보입니다. 


 연구팀이 기대하는 미래는 전자가 아닌 광자로 작동하는 컴퓨팅 기술입니다. 예를 들어 현재는 광섬유로 데이터를 전송한 후 다시 전기 신호로 바꿔야 하지만, 광학 메모리 셀을 이용하면 바로 저장이 가능할 수 있습니다. 물론 이 단계까지 도달하기 위해서는 많은 연구가 필요합니다. 연구팀의 다음 목표는 실제 메모리 칩처럼 여러 개의 광학 메모리 셀을 동시에 작동시키는 것입니다. 과연 상용화 가능한 기술로 발전할 지 궁금합니다. 


 참고 


X. Li, N. Youngblood, C. Ríos, Z. Cheng, C. D. Wright, W. H. P. Pernice, H. Bhaskaran. "Fast and reliable storage using a 5-bit, non-volatile photonic memory cell," Optica, 6, 1, 1-6 (2019). DOI: 10.1364/OPTICA.6.000001 

2018년 12월 28일 금요일

우주 이야기 871 - 우주 초기의 거대 은하의 씨앗을 보다



(Figure 1: A wide field-of-view false-color image of a massive quiescent galaxy taken by Surpime-Cam on the Subaru Telescope (main image) and a high resolution close-up (inset) by IRCS (Infrared Camera and Spectrograph) on the Subaru Telescope. The yellow circle shows the point spread function of this observation corrected with the AO188 adaptive optics system. Credit: NAOJ)


 오늘날 우주에는 다양한 형태의 은하가 존재합니다. 이들 가운데서 가장 큰 은하는 거대 타원 은하 massive elliptical galaxies로 우리 은하보다 더 거대한 대형 은하를 포함하고 있습니다. 흥미로운 사실은 이 대형 은하에 젊은 별이 거의 없다는 것입니다. 이 이야기는 대형 타원 은하가 형성될 시점에 새로운 별이 폭발적으로 생성된 후 어떤 이유로 별 생성이 중단되 나이든 별로 구성된 은하가 되었다는 이야기입니다. 물론 새로운 별이 아주 안생기는 건 아니지만, 대부분 별이 나이가 좀 된 오래된 별이라는 이야기입니다. 


 과학자들은 먼 우주의 관측으로 통해 우주 초기 단계부터 대형 은하가 탄생했다는 사실을 확인했습니다. 최근 일본 국립 천문대 (National Astronomical Observatory of Japan (NAOJ)) 및 도쿄 대학, 코펜하겐 대학 등 국제 천문학자팀은 스바루 망원경에 설치된 여러 광학 장치 (Surpime-Cam on the Subaru Telescope and a high resolution close-up by IRCS (Infrared Camera and Spectrograph))를 이용해 우주 나이의 13%에 해당하는 120억 광년 떨어진 지점에서 거대 타원 은하의 씨앗이 되는 초기 은하 5개를 찾아냈습니다. 


 이 은하는 오늘날 볼 수 있는 거대 타원 은하와 비슷하게 이미 별의 생성이 별로 없는 상태로 진화했는데, 이렇게 초기 단계부터 거대 은하가 있었다는 사실이 매우 흥미롭습니다. 아무튼 이렇게 이미 초기 단계부터 거대 은하가 됐다고 해도 이 은하들이 성장하지 않는 것은 아닙니다. 씨앗이라는 표현에서 짐작할 수 있듯이 이 은하들은 역시 중력에 의해 주변 은하와 충돌과 합체를 거쳐 더 커져 지금의 거대 타원 은하로 진화합니다. 그런데 거대 은하끼리의 충돌과 거대 은하가 작은 은하를 흡수하는 경우 어느 쪽이 주된 경로인지는 아직 확실치 않습니다. 


 연구팀의 모델에서는 거대 은하가 주변의 작은 은하를 흡수 합병하는 것이 더 관측 결과와 부합하는 것으로 나타났습니다. 우리 은하 같은 거대 은하 주변에 작은 위성 은하가 많다는 점을 생각하면 타당한 결과로 생각됩니다. 대기업이 다른 작은 기업을 인수합병해 더 커지는 것처럼 거대 은하 역시 작은 은하를 합병해 더 커지는 것으로 생각됩니다. 우연의 일치지만, 인간 세상과 비슷한 모습이 흥미롭습니다. 


 참고 


Mariko Kubo et al. The Rest-frame Optical Sizes of Massive Galaxies with Suppressed Star Formation at z ∼ 4, The Astrophysical Journal (2018). DOI: 10.3847/1538-4357/aae3e8 



초고속 카메라로 찍은 전자의 이동



(With the ultrafast system in the Physics Centre at Kiel University (Germany), the behaviour of electrons can be filmed live. Credit: Jürgen Haacks, CAU)

(Film recordings show for the first time how the energy distribution in a graphite sample changes in the ultrashort period of 50 femtoseconds. Credit: Phys. Rev. Lett)


 과학자들은 1경 분의 1초에 해당하는 펨토초 단위의 화학 반응이나 물리적 변화를 측정할 수 있는 기술을 개발했습니다. 중요한 반응이 이 짧은 시간에 일어나기 때문입니다. 키엘 대학 실험 및 응용 물리학과 (Institute of Experimental and Applied Physics at Kiel University (CAU))의 연구팀은 초고속 카메라 기술을 활용해 수 펨토초 사이에 일어나는 전자의 변화를 관측해 어떤 일이 일어나는지를 연구했습니다. 


 빛이 물체에 충돌하면 그 반응의 결과로 전자가 튀어나오게 됩니다. 예를 들어 태양 에너지를 전기로 바꾸는 태양 전지가 대표적인 사례 입니다. 하지만 사실 전기 에너지로 전환되는 전자는 일부에 불과하며 상당수 전자는 사방으로 흩어지게 됩니다. 이 과정은 펨토초 이하의 매우 짧은 시간에 일어나기 때문에 연구가 매우 어려웠습니다. 


 키엘 대학의 연구팀은 흑연에 강력한 빛을 방사한 후 펨토초 단위로 발생하는 전자의 이동과 반응을 조사했습니다. 과학자들은 이런 극단적인 상황에서는 전자가 마치 가스처럼 행동한다는 것을 알고 있습니다. 이 상태의 전자를 페르미 가스 (Fermi gas)라고 부르는데 이론적으로는 잘 알려져 있어도 실제로 관측은 매우 어려웠습니다. 이번 연구에서 실제로 페르미 가스의 행동을 연구할 수 있었는데, 7 펨토초의 빛을 쏜 후 이를 13 펨토초 단위로 촬영한 결과 불과 50 펨토초 사이에도 많은 일이 일어난다는 사실을 확인할 수 있었습니다. (사진) 이는 앞으로 초고속 전자 기기나 더 효율이 좋은 태양 전지를 개발하는 데 도움이 될 것입니다. 


 이번에 사용한 초고속 카메라는 역대 가장 빠른 카메라 중에 하나로 계속해서 더 빠른 이미징 기술이 발전하면 더 짧은 순간에 일어나는 반응도 확인이 가능할 것입니다. 앞서 소개한 것처럼 초당 10조 프레임이라는 엄청난 촬영 속도가 가능해졌는데 ( https://blog.naver.com/jjy0501/221376627835 참조) 여기서 얼마나 더 빨라질지 궁금합니다. 


 참고 


G. Rohde et al, Ultrafast Formation of a Fermi-Dirac Distributed Electron Gas, Physical Review Letters (2018). DOI: 10.1103/PhysRevLett.121.256401 



6.2인치 IP68/5000mAh 러기드 스마트폰 Ulefone Armor 6




(Credit: Ulefone)


 러기드 스마트폰 전문 제조사인 울레폰 (Ulefone, 다소 생소한 회사인데, 중국에 본사를 둔 스마트폰 제조사라고 함)에서 6.2인치 노치 디자인의 러기드 스마트폰인 아머 6를 출시했습니다. MediaTek Helio P60을 이용해서 러기드 스마트폰 가운데는 비교적 높은 성능을 지니고 있으며 5000mAh의 배터리, 1.2m의 낙하 충격에 대한 방어, IP68 방진 방수 기능으로 1.5m 수심에서 60분 방수가 가능합니다. 기타 여러 가지 압력, 온도 변화에도 견딜 수 있는데, 영하 20도 혹은 영상 60도 환경에서 6-8시간 작도을 보장합니다. 단 영하 40도 이하나 섭씨 80도 이상에서는 작동이 되지 않습니다. 



Specifications
Display
6.2" 2246×1080 (402 ppi)
Corning Gorilla Glass 5
SoC
MediaTek Helio P60 (MT6771)
4 × ARM Cortex-A73 at 2 GHz
4 × ARM Cortex-A53 at ? GHz
ARM Mali-G72 with 3 EUs
RAM
 6 GB RAM
Storage
128 GB + microSD
Local Connectivity
Wi-Fi
802.11ac Wi-Fi
Bluetooth
Bluetooth 4.2
Data/Charging
USB 2.0 Type-C + Qi Wireless Connectivity (10 W)
Audio
No TRRS connector
USB Type-C to 3.5 mm headset adapter is bundled
NFC
Yes, Google Pay
Network
2G GSM: 1900/1800/850/900 (B2/3/5/8)
2G CDMA: 850/900 (BC0/BC1)
3G WCDMA: 2100/1900/1700/850/900 (B1/2/4/5/8)
3G TDSCDMA: 2015/1900 (B34/B39)
4G FDD-LTE: 2100/1900/1800/1700/850/2600/900/700/700/850/800/700/700 (B1/2/3/4/5/7/8/12/17/19/20/28A/28B)
4G TDD-LTE: 2015/2500/1900/2300/2500 (B34/38/39/40/41)
LTE
Down: 300 Mb/s
Up: 150 Mb/s
Navigation
GPS, GLONASS, Beidou, digital compass
Rear Camera
16 MP (interpolated to 21 MP) + 8 MP (interpolated to 13 MP)
ƒ/2.0 large aperture
Dual LED flash
Front Camera
8 MP (interpolated to 13MP)
ƒ/2.0 large aperture
Battery
Capacity
5000 mAh
Expected Life
Standby Time: 440 hours
Talk Time: 25 hours
Music Time: 34 hours
Video Time: 9 hours
SIM Size
Nano SIM + Nano Sim
Sensors
G-sensor, P-Sensor, L-sensor, Gyro, Electronic Compass, Touch Sensor, Coulometer
Biometric Security
Fingerprint
Capacitive touch sensor with 0.1 s response speed
Facial Recognition
Yes, 0.2 ms response speed
Dimensions
Height
160 mm
Width
83 mm
Thickness
13.3 mm
Weight
228 grams
Colors
Black + Grey or Black + Red
Protection
Drop
1.2 meters
Ingress Protection
IP68: Sand, dust, dirt, water resistant
Waterproof: Up to 1.5M for 60 minutes
Thermal Shock
Operational: -20°C (-4°F) to 60°C (140°F) for up to 6-8 hours
Non-Operational: -40°C (-40°F) to 80°C (176°F)
Low Pressure
57 kPa at 25°C for 4 hours
Humidity
50% - 90% at 23°C - 60°C for 6-8 hours
Acidic Atmosphere
4.17 PH at 35°C for 2 hours spraying/22 hours storage
Solar Radiation
1120 W/m² at 49°C for 20 hours
Military Standard Tests
MIL SPEC 810G
OS
Google Android 8.1 Oreo
(스펙: 아난드텍) 


 러기드 스마트폰은 수요가 많지는 않지만, 필요한 분야가 있는 물건이라 나름 판로를 확보할 수 있는 물건 가운데 하나입니다. 스마트폰을 많이 떨어뜨리거나 험하게 사용하는 분들에게도 메리트가 있을 것 같습니다. 가격은 공개되지 않았지만, 비슷한 스펙의 스마트폰 보다는 다소 비쌀 것으로 예상됩니다. 러기드 스마트폰도 나름 흥미가 가는 물건인데 출시하는 회사가 많아졌으면 좋겠습니다. 


 참고