Translate

2019년 9월 30일 월요일

극한적인 환경에서 살아가는 선충 Auanema



(This newly discovered species of nematode is considered an extremophile--it thrives under high-salt, high-pH, arsenic-rich conditions that are otherwise hostile to life. But it is surprisingly versatile because it can also live in "normal" conditions in the laboratory. Credit: Caltech)


 뜨거운 온천이나 화산지대처럼 극단적인 환경에서도 생명체는 살아갑니다. 아예 이런 극단적인 환경에서만 살아가는 생물들도 있는데 이들을 극한 생물 (extremophile)이라고 부릅니다. 지구상 최초의 생물체 가운데 하나인 고세균이 대표적인 종류입니다. 하지만 다세포 진핵생물 가운데도 이런 환경에 적응한 생물들이 존재합니다. 


 칼텍의 과학자들은 캘리포니아의 모노 레이크 (Mono lake) 염호에서 독특한 선충을 발견했습니다. Auanema라는 이름을 지닌 이 선충은 실험동물로 흔히 사용되는 예쁜 꼬마 선충의 친척으로 1000개 정도의 세포를 지닌 작은 선충이지만, 여러 가지 놀라운 특징을 갖고 있습니다.


 우선 이 선충은 염도가 바다에 세 배나 높고 pH가 10에 달하는 환경에서 살아갑니다. 이런 환경에서 살 수 있는 생물은 단순한 박테리아나 조류 algae 를 제외하면 새우 한 종과 파리 한 종 정도입니다. 아우아네마는 중금속에 대한 내성도 강해서 인간에서 치사량인 비소 농도의 500배를 견딜 수 있습니다. 여기에 세 개의 성을 지녔으며 캥거루처럼 새끼를 품고 다닙니다. 


 이런 희안한 특징을 지닌 생물은 독특한 대사과정이나 물질을 지니고 있을 가능성이 높기 때문에 신물질이나 신약 개발에 도움을 줄 수 있습니다. 이 기묘한 선충에 어떤 비밀이 숨어 있는지 밝혀내기 위해 후속 연구가 진행될 것으로 기대합니다. 


 참고 


운전석이 없는 자율주행 트럭을 선보인 스카니아






(Credit: Scania)


 트럭 및 중장비 제조사인 스카니아 가 운전석을 없앤 완전 자율주행 트럭인 스카니아 AXL을 선보였습니다. 많은 자동차 제조사들과 마찬가지로 스카니아 역시 자율주행차를 선보이기는 했지만 아예 운전석을 없앤 트럭은 AXL이 최초입니다. 이 트럭은 다른 자율주행차처럼 GPS와 Lidar를 비롯한 센서로 위치와 주변 환경을 인식하고 자율적으로 주행합니다. 




(동영상) 



 아예 운전석을 없애면 트럭을 좀더 공기역학적으로 설계할 수 있으며 그 만큼  연비가 좋아집니다. 다만 현재 기술 수준에서 완전히 사람을 배제할 수 있는 경우는 특정 작업 환경으로 제한될 것입니다. 예를 들어 다른 차량이나 사람이 없는 환경이고 노력을 확보하기 힘든 장소가 우선적인 적용대상일 것입니다. 채석장이나 광산 등이 대표적인 장소일 것입니다. 


 현재 AXL은 개발 중인 컨셉으로 광산에서 그 가능성을 테스트하고 있습니다. 자율주행 관련 기술의 발전을 생각하면 자율주행 트럭의 상용화는 그다지 멀지 않은 미래가 될 것입니다. 과연 얼마나 빠르게 도입될 수 있을지 궁금합니다. 


 참고 


자율 항해 경비정 Sharktech 29 Defiant




(Credit: Sea Machine/Metal Shark)


 보스턴의 씨 머신스 로보틱 Sea Machines Robotics와 선박 제조사인 메탈 샤크 Metal Shark가 미국 앞바다에 자율 항해 경비정을 선보였습니다. 이 회사가 개발한 Sharktech 29 Defiant 경비정은 이름처럼 29피트 (8.8m) 길이의 소형 패트롤 보트로 이미 400척 가량 도입되어 있습니다. 씨 머신스 로보틱스는 여기에 자율 항해 시스템을 장착해 사람 통제 아래 경계 임무를 수행하거나 1-2km 거리에서 원격으로 조종할 수 있습니다. 



 (동영상) 


 해안 경비는 일년 365일 하루 24시간 필요한 일이지만 고되고 반복적인 노동이기도 합니다. 여기에 악천후에는 위험한 일이 될 수 있습니다. 자율 항해 및 원격 조종 기술은 이 과정을 좀 더 편리하고 안전하게 바꿀 수 있는 방법이 될 수 있습니다. 다만 이렇게 무인화한 경비정이 다른 선박이나 구조물에 충돌하지 않도록 안전성을 확보하는 것 역시 중요합니다. 과연 관계 기관의 인증을 획득하고 실제 경비 임무에 투입될 수 있을지 주목됩니다. 


 참고 



2019년 9월 29일 일요일

분산분석/공분산분석 + 보정 평균(adjusted mean)



 보정 평균 (adjusted mean)은 성별, 연령 등 여러 가지 요소를 보정한 평균을 의미하며 각 그룹간 평균값의 차이를 더 분명하게 알려줄 수 있는 통계 분석 방법이라고 할 수 있습니다. R에서는 SAS의 LSMEANS과 같은 기능을 하는 패키지인 lsmeans 패키지가 널리 사용됩니다. 비록 이 기능은 emmeans이라는 새로운 패키지에 기능이 통합될 예정이지만 lsmeans 패키지를 오래 써왔고 기본 문법은 비슷한 것 같아 여기서는 lsmeans를 설명합니다. 예제는 앞서 소개한 moonBook 패키지의 acs 데이터를 사용합니다. 이 데이터는 심근 경색이나 협심증으로 병원을 방문한 환자의 데이터를 공개한 것입니다. 참고로 앞서 설명한 사후 검정 - Tukey's HSD test에서 이어지는 이야기라고 할 수 있습니다. 




require(moonBook)
require(lsmeans)
str(acs)


 앞서 포스트에서 설명했던 예제와 비슷하게 BMI에 따라 환자를 정상, 과체중, 비만 세 그룹으로 나눠 세 그룹간 나이의 차이가 있는지를 검증해 보겠습니다. 기본 아이디어는 과체중이나 비만인 경우 더 젊은 나이에 심근 경색이나 협심증이 생긴다는 것입니다. 이를 위해 각 그룹간 나이의 평균에 차이가 있는지를 분산분석 (ANOVA)로 검증합니다. 


acs$obesity2[acs$BMI<23 span="">
acs$obesity2[acs$BMI>=23]=1
acs$obesity2[acs$BMI>=25]=2
table(acs$obesity2)

out=lm(age~factor(obesity2), data=acs)
anova(out)

out=aov(age~factor(obesity2), data=acs)
TukeyHSD(out) 


> out=lm(age~factor(obesity2), data=acs)
> anova(out)
Analysis of Variance Table

Response: age
                  Df Sum Sq Mean Sq F value    Pr(>F)    
factor(obesity2)   2   3504  1752.0  13.133 2.469e-06 ***
Residuals        761 101517   133.4                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> out=aov(age~factor(obesity2), data=acs)
> TukeyHSD(out)
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = age ~ factor(obesity2), data = acs)

$`factor(obesity2)`
         diff       lwr        upr     p adj
1-0 -2.012012 -4.531198  0.5071740 0.1464941
2-0 -4.964351 -7.253721 -2.6749811 0.0000013
2-1 -2.952339 -5.437984 -0.4666936 0.0149519


 이 결과를 해석하면 정상 체중과 과체중 사이에는 유의한 차이가 없지만, 정상체중/과체중-비만 사이에는 유의한 차이가 있는 것으로 해석할 수 있습니다. 여기서 한 걸음 더 나아가 성별에 따른 차이를 보정하면 ANCOVA가 됩니다. 


out=lm(age~factor(obesity2)+factor(sex), data=acs)
anova(out)

out=aov(age~factor(obesity2)+factor(sex), data=acs)
TukeyHSD(out)


> out=lm(age~factor(obesity2)+factor(sex), data=acs)
> anova(out)
Analysis of Variance Table

Response: age
                  Df Sum Sq Mean Sq F value    Pr(>F)    
factor(obesity2)   2   3504  1752.0  14.735 5.269e-07 ***
factor(sex)        1  11153 11152.6  93.798 < 2.2e-16 ***
Residuals        760  90364   118.9                      
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> out=aov(age~factor(obesity2)+factor(sex), data=acs)
> TukeyHSD(out)
  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = age ~ factor(obesity2) + factor(sex), data = acs)

$`factor(obesity2)`
         diff       lwr        upr     p adj
1-0 -2.012012 -4.390364  0.3663396 0.1161858
2-0 -4.964351 -7.125734 -2.8029677 0.0000003
2-1 -2.952339 -5.299024 -0.6056529 0.0090510

$`factor(sex)`
                 diff       lwr       upr p adj
Male-Female -8.097007 -9.739297 -6.454718     0



 공분산분석 역시 비슷한 결과가 나왔습니다. 그런데 이렇게 보정했을 때 각 그룹간 나이의 차이는 어느 정도일지 눈으로 알기는 어렵습니다. 사후 검정을 포함해 보정 평균을 구하기 위해 lsmeans를 사용합니다. 


out=lm(age~factor(obesity2)+factor(sex), data=acs)
marginal = lsmeans(out, ~ obesity2)
cld(marginal, alpha=0.05, sort = FALSE, Letters=letters, adjust="tukey") #compact letter display


> out=lm(age~factor(obesity2)+factor(sex), data=acs)
> marginal = lsmeans(out, ~ obesity2)
> cld(marginal, alpha=0.05, sort = FALSE, Letters=letters, adjust="tukey") #compact letter display
 obesity2   lsmean        SE  df lower.CL upper.CL .group
        0 66.69924 0.6719680 760 65.09121 68.30727  a    
        1 64.96966 0.7815843 760 63.09932 66.84000  a    
        2 62.02618 0.6576726 760 60.45236 63.60000   b   

Results are averaged over the levels of: sex 
Confidence level used: 0.95 
Conf-level adjustment: sidak method for 3 estimates 
P value adjustment: tukey method for comparing a family of 3 estimates 
significance level used: alpha = 0.05 


 성별로 보정했을 때 평균값은 66.69924, 64.96966, 62.02618로 나왔으며 lower.CL upper.CL 에 95% CI의 범위도 함께 나왔습니다. 이렇게 보니 정상/과체중 간의 차이보다 비만군과의 차이가 더 크다는 것을 알 수 있습니다. 만약 더 많은 변수를 보정하면 어떨까요? 


out=lm(age~factor(obesity2)+factor(sex)+factor(smoking)+HDLC+factor(HBP)+factor(DM), data=acs)
marginal = lsmeans(out, ~ obesity2)
cld(marginal, alpha=0.05, sort = FALSE, Letters=letters, adjust="tukey") #compact letter display


> out=lm(age~factor(obesity2)+factor(sex)+factor(smoking)+HDLC+factor(HBP)+factor(DM), data=acs)
> marginal = lsmeans(out, ~ obesity2)
> cld(marginal, alpha=0.05, sort = FALSE, Letters=letters, adjust="tukey") #compact letter display
 obesity2   lsmean        SE  df lower.CL upper.CL .group
        0 66.55850 0.6859582 743 64.91691 68.20009  a    
        1 64.15678 0.7803798 743 62.28923 66.02433   b   
        2 61.10558 0.6589566 743 59.52861 62.68255    c  

Results are averaged over the levels of: sex, smoking, HBP, DM 
Confidence level used: 0.95 
Conf-level adjustment: sidak method for 3 estimates 
P value adjustment: tukey method for comparing a family of 3 estimates 
significance level used: alpha = 0.05  


 값에 차이가 생기면서 세 그룹 모두 유의한 차이가 있는 것으로 나타났습니다. (참고로 lm 대신 glm을 사용해도 같은 결과가 나옵니다.) 잘 보면 서로 95% CI 값이 겹치는 경우에도 차이가 있는 것으로 나오는 데 당연히 사후 검정 결과와 다를 수 있습니다. 


 lsmean 기능은 공분산분석이나 선형회귀 분석의 단점을 보완할 수 있습니다. 실제로는 매우 작은 차이인데 통계적으로는 샘플수가 많거나 측정이 정밀하면 마치 유의한 차이가 있는 것처럼 나타날 수 있습니다. 이럴 때 보정 평균을 구하면 실제값 사이에는 별 차이가 없는지 아니면 그래도 의미 있는 차이가 있는지를 한눈에 볼 수 있을 것입니다. 


 참고로 lsmean 기능은 plot 기능과 연결해서 사용할 수 있습니다. 


 out=lm(age~factor(obesity2)+factor(sex)+factor(smoking)+HDLC+factor(HBP)+factor(DM), data=acs)
marginal = lsmeans(out, ~ obesity2)
out2=cld(marginal, alpha=0.05, sort = FALSE, Letters=letters, adjust="tukey") 
plot(out2)




 이 역시 plot의 다양한 옵션과 함께 사용할 수 있으며 다른 분석 패키지와 연동할 수 있습니다. 좀 더 다양한 사용에 대해서는 아래 글을 참조해 주십시요. 




역대 두 번째로 작은 면적을 기록한 북극해의 여름 해빙



(An opening in the sea ice cover north of Greenland is partially filled in by much smaller sea ice rubble and floes, as seen during an Operation IceBridge flight on Sept. 9, 2019. Credit: NASA/Linette Boisvert)


 지난 2019년 여름 시즌의 북극해 해빙 면적이 역대 두 번째로 작은  것으로 나타났습니다. 나사와 미 국립 설빙 데이터 센터 (National Snow and Ice Data Center (NSIDC))는 2019년 9월 18일 북극해의 해빙 면적이 연중 최저치인 415만 제곱킬로미터에 도달했다고 발표했습니다. 이는 1970년대 위성 관측이 시작된 이후역대 두 번째로 작은 면적입니다. 


 북극해의 해빙 면적이 갈수록 줄어들고 얼음의 두께 역시 얇아지는 이유는 물론 지구 기온이 상승하기 때문입니다. 하지만 해빙 면적에 영향을 미치는 인자는 온도 하나만이 아닙니다. 강한 바람과 폭풍 역시 해빙의 면적을 축소시키는 중요 인자입니다. 예를 들어 여름 해빙 면적이 역대 최소였던 2012년의 경우 강력한 사이클론이 북극을 휩쓸었습니다. 하지만 올해는 강한 바람 없이 높은 기온으로만 해빙 면적이 크게 감소했습니다. 




(동영상) 


 월트 메이어 (Walt Meier, a sea ice researcher at NSIDC)에 의하면 올해 북극해 중부는 평균보다 4-5도 높은 기온을 기록했습니다. 이 시기에 유럽 혹서나 시베리아 산불처럼 다른 요인도 있기는 했지만, 북극해 해빙 면적 감소의 주된 원인은 아니었으며 북극 기온 상승이 주된 이유였던 것으로 보입니다. 매년 기복은 있지만 북극해 해빙 면적은 분명한 감소 추세를 보이고 있습니다. 지구 평균 기온이 상승한다는 점을 생각하면 당연한 결과일 것입니다. 


 참고 


2019년 9월 28일 토요일

우주 이야기 968 - 충돌 코스에 들어선 세 개의 블랙홀



(Credit: X-ray: NASA/CXC/George Mason Univ./R. Pfeifle et al.; Optical: SDSS & NASA/STScI)


 은하 끼리 충돌하면 은하 중심에 있는 거대 질량 블랙홀 역시 서로의 중력에 이끌려 충돌하게 됩니다. 그리고 그 결과로 새로운 거대 질량 블랙홀이 합체된 은하 중심에 자리잡게 됩니다. 여러 개의 은하가 충돌할수도 있기 때문에 이론적으로 충돌하는 거대 질량 블랙홀은 두 개 이상일 수 있습니다. 하지만 이를 실제로 관측하기는 어려웠습니다. 


 조지 메이슨 대학의 라이언 파이플레 (Ryan Pfeifle of George Mason University in Fairfax, Virginia)와 그 동료들은 나사의 찬드라 X선 관측 위성을 포함한 여러 개의 관측 장비 데이터를 종합해 지구에서 10억 광년 떨어진 천체 SDSS J084905.51+111447.2가 사실은 세 개의 거대 질량 블랙홀이 충돌 코스에 들어선 것임을 밝혀냈습니다. 




(동영상) 


 이름처럼 이 삼중 블랙홀 시스템은 처음에 Sloan Digital Sky Survey (SDSS) 관측 데이터를 통해 그 존재가 알려졌습니다. 이후 연구팀은 Wide-field Infrared Survey Explorer (WISE), Large Binocular Telescope (LBT), 찬드라 X선 망원경 및 Nuclear Spectroscopic Telescope Array (NuSTAR)를 이용해 적외선 영역에서부터 X선 영역까지 광범위한 관측을 통해 이 천체가 삼중 블랙홀이라는 사실을 밝혀냈습니다. 


 이렇게 여러 망원경을 동원한 이유는 은하 중심 블랙홀이 많은 가스와 먼지에 가려 있어 잘 보이지 않는데다, 세 개의 블랙홀을 명확하게 분리해서 관측하기에 너무 먼 거리이기 때문입니다. 아무튼 과학자들은 이 은하에 세 개의 블랙홀이 있을 뿐 아니라 결국 셋이 미래에 충돌하게 될 것이라는 사실을 확인했습니다. 삼중 추돌 사고가 예정된 블랙홀인 셈입니다. 광활한 우주에서도 실제로 관측하기는 쉽지 않은 일임에 분명합니다. 



 참고 


"A Triple AGN in a Mid-Infrared Selected Late Stage Galaxy Merger," Ryan W. Pfeifle et al., 2019, Astrophysical Journal: arxiv.org/abs/1908.01732

모사사우루스는 평형도 할 수 있었다?



(Plotosaurus bennisoni is a mosasaur from the Upper Cretaceous (Maastrichtian) North America. Credit: Restoration illustration from Wikimedia Commons, CC BY 3.0.)



 모사사우루스는 백악기말 바다를 호령한 해양 파충류로 현재 뱀이나 도마뱀의 친족 그룹입니다. 이들은 강력한 턱과 뛰어난 수영 실력으로 백악기 말 해양 생태계에서 최상위 포식자 자리를 차지했습니다. 사실 이미 중생대에는 어룡이나 수장룡처럼 훨씬 오래 전 바다로 진출한 파충류가 존재했으며 바다 악어류나 상어류 역시 번영을 누리고 있었습니다. 이에 반해 중생대의 끝자락인 백악기 후기에 바다로 들어간 모사사우루스가 이렇게 큰 성공을 거둔 것은 놀라운 일입니다. 


 커스틴 포모소(Kiersten Formoso, a Ph.D. student in vertebrate paleontology at the University of Southern California)가 이끄는 연구팀은 그 비결 가운데 하나가 뛰어난 평형 실력이라고 주장했습니다. 고래나 돌고래, 어룡처럼 바다 환경에 적응한 사지 동물은 주로 꼬리의 힘을 이용해서 헤엄칩니다. 따라서 어깨 근육이 붙는 견갑대 pectoral girdle와 주변 어깨 근육은 부실한 편입니다. 반면 모사사우루스의 견갑대는 수영 선수처럼 잘 발달되어 있습니다. 이는 평형 (breast stroke)과 비슷한 방식으로 갑자기 속도를 낼 때 유리합니다. 


 연구팀은 이를 근거로 모사사우루스가 단거리에서 갑자기 속도를 높일 수 있었다고 주장했습니다. 이는 바로 앞에서 도망치는 먹이를 잡는데 큰 도움이 되었을 것입니다. 물론 이는 상당한 비용을 댓가로 지불해야 하기 때문에 상당수 해양 생물에서 보기 어려운 특징입니다. 그럼에도 모사사우루스가 백악기 말 크게 성공한 점을 볼때 이 투자는 그럴 만한 가치가 있었을 것입니다. 어쩌면 이 시기에는 한 번 잡으면 큰 식량을 얻을 수 있는 큰 먹이가 풍부했을 것입니다. 그러나 백악기말 대멸종 때 생태계가 붕괴되면서 모사사우루스가 의존한 먹이가 사라졌고 이런 환경 변화가 멸종의 원인 중 하나였을지도 모릅니다. 


 아무튼 모사사우루스가 평형을 할 줄 알았다는 것 자체로 흥미로운 내용의 연구 같습니다. 


 참고 


Reassessment of the Mosasaur Pectoral Girdle and its Role in Aquatic Locomotion, gsa.confex.com/gsa/2019AM/webp … ram/Paper333823.html




원자로의 미래 될까? 용융염 원자로를 개발하는 유럽 연합


(The irradiation tests took place at NRG's Petten nuclear reactor site. Credit: NRG)


 원자력 발전은 세계 여러 나라에서 논쟁의 중심에 서 있습니다. 국가적으로 원전을 선택하기로 결정한 국가와 탈원전을 하기로 결정한 나라도 있지만, 사실 국민적 합의가 이뤄지지 않은 나라도 있습니다. 하지만 만약 원전을 계속 사용해야 한다면 더 안전한 대안이 필요하다는 점에는 모두 공감할 수 있을 것입니다. 예를 들어 앞서 소개한 모듈식 원자로나 토륨 용융로가 그렇습니다. 


 네덜란드에 있는 핵연구 및 컨설트 그룹 Nuclear Research and Consultancy Group (NRG)은 암스테르담 북쪽 60km 떨어진 지점에 건설한 실험용 용융염 반응로(Molten Salt Reactor (MSR))인 High Flux Reactor의 첫 방사선 내성 테스트를 마쳤다고 발표했습니다. 이는 2015년 이후 진행한 SALIENT-01 테스트의 결실로 토륨 원자로의 가능성을 보여줬습니다. 




 현재 널리 사용되고 있는 경수로의 경우 핵연료를 연료봉 형태로 만든 후 여기서 나오는 열을 이용해 증기 터빈을 돌리는 방식입니다. 지난 60년간 효과와 안전성을 입증한 방식이기는 하지만 몇 가지 단점도 있습니다. 우선 물을 끓이는 방식으로 고온 고압 상태가 되고 뭔가 잘못되어 초고온 상태가 되면 물을 분해해 수소를 생산하기 때문에 위험한 일이 생길 수 있습니다. 후쿠시마 원전 사고에서 실제로 발생한 일입니다. 


 이에 비해 용융염은 아예 핵연료를 섞은 연료 물질을 고온으로 유지시키는 방식으로 물이 직접 접촉할 필요가 없으며 끊임없이 냉각수를 넣어 줄 이유도 없습니다. 압력도 낮아서 폭발이나 증기가 새어나갈 가능성 역시 없습니다. 또 토륨처럼 핵분열 반응이 잘 일어나지 않는 핵연료도 좀 더 쉽게 사용할 수 있습니다. 만약 문제가 생겨 핵연료가 새어 나가도 중력에 의해 별도의 탱크에 나눠 흘러가게 만들면 핵반응을 저절로 멈추게 할 수 있습니다. 


 무엇보다 토륨 원자로의 안전성이 높은 이유는 우라늄에 비해 치명적인 방사성 폐기물을 덜 만들 뿐 아니라 대부분 반감기가 짧다는 것입니다. 물론 토륨의 매장량이 우라늄보다 훨씬 많다는 점 역시 장점입니다. 단점은 매우 고온인데다 부식성이 강한 방사성 연료를 다루기가 어렵다는 것입니다. 이번에 테스트한 실험용 원자로 역시 발전보다는 내구성 테스트이며 앞으로 더 많은 테스트와 연구 개발을 거쳐야 합니다. 과연 용융로가 원자력의 새로운 대안이 될 수 있을지 결과가 주목됩니다. 


 참고 



2019년 9월 27일 금요일

옵테인 메모리 로드맵과 낸드플래시 메모리 로드맵을 업데이트한 인텔


(출처: 인텔) 


 인텔이 한국에서 언론 공개 행사를 통해 낸드 플래시 메모리 및 옵테인 메모리의 로드맵을 공개했습니다. 이를 한국에서 처음 발표한 점이 의미심장한 부분인데 이제까지 그런 경우가 없었기 때문입니다. 아마도 이 부분은 삼성과 SK 하이닉스를 염두에 둔 것으로 보입니다. 


 아무튼 인텔은 현재 QLC 낸드 플래시 SSD 가운데 가장 잘 팔리는 660p의 후속 모델인 665p를 선보였습니다. 96층 QLC 낸드플래시 메모리을 사용하는 665p는 순차 읽기/쓰기 속도가 40-50% 빨라지고 랜덤 액세스 속도는 30% 더 빨라졌습니다. 인텔은 2020년에 144층 QLC 낸드플래시 제품도 내놓을 것이라고 밝혔습니다. 다만 이미 128층 TLC 낸드플래시 메모리 양산에 들어간 한국 제조사들에 비해 앞섰다고 보기는 어려울 것입니다. 


 낸드플래시보다 더 눈길을 끄는 내용은 역시 옵테인 메모리 로드맵입니다. Optane DCPM(DC Persistent Memory)은 메모리를 장착하는 DIMM 폼펙터로 출시되었습니다. 아파치 패스(APACHE PASS)란 코드명을 지닌 1세대 제품은 내년에 2세대 제품인 버러우 패스(BARLOW PASS)로 대체될 것입니다. 하지만 이보다 더 흥미로운 사실은 일반 소비자를 위한 옵테인 SSD의 모습이 잘 보이지 않는다는 것입니다. 인텔의 옵테인 H10, 800P SSD는 현재 작은 용량과 상대적으로 높은 가격에서 소비자 시장에서 그다지 큰 호응을 받지 않고 있습니다. 따라서 소비자용 옵테인 SSD보다는 데이터 센터를 위한 제품에 집중하겠다는 의미로 해석됩니다. 


 2세대 옵테인 DC 메모리 (DIMM, SSD)는 내년에 출시될 예정으로 코퍼 레이크 및 아이스 레이크 플랫폼과 같이 시장에 투입될 것입니다. 다만 소비자용 SSD/D램과 마찬가지로 가격이 애매하게 비쌀 경우 시장에서 성공할 수 있을지 여부는 불투명합니다. 최근 D램 가격이 많이 내려간데다 낸드 플래시 메모리 역시 저렴해져 상대적으로 더 큰 가격 경쟁력이 생겼기 때문입니다. 아무리 D램보다 저렴해도 낸드 플래시보다 훨씬 비싸다면 과거 램버스 메모리가 간 길을 따라갈 가능성도 있습니다. 


 과연 옵테인 메모리가 삼성/하이닉스를 견제할 새로운 다크호스가 될지 시장 안착에 실패한 케이스가 될지 결과가 주목됩니다. 


 참고 


53 큐빗 양자 컴퓨터를 개발한 IBM


(The 53-qubit system offers a larger lattice and gives users the ability to run even more complex entanglement and connectivity experiments. Credit: IBM)


 IBM이 53 큐빗 양자 컴퓨터를 개발했습니다. 앞서 소개한 것처럼 IBM은 차세대 컴퓨팅으로 양자 컴퓨터 개발에 집중하고 있으며 양자 컴퓨터 생태계 확장을 위해 노력하고 있습니다. 53큐빗 양자 컴퓨터 개발은 IBM의 양자 컴퓨터 생태계를 더 확장 시킬 수 있을 것으로 보입니다. 이 53 큐빗 양자 컴퓨터는 다음달부터 Q Network 양자 클라우드 컴퓨팅 서비스를 통해 공개될 예정입니다. 





 (동영상) 


 양자 컴퓨터는 양자의 중첩 현상을 이용해서 0과1 만이 아니라 한꺼번에 여러 가지 상태를 지닐 수 있어 양자 큐빗의 숫자가 늘어날수록 연산 능력이 기하 급수적으로 커집니다. 하지만 IBM에 의하면 단순히 큐빗만 늘리는 것은 큰 의미가 없습니다. 에러가 발생할 가능성도 같이 올라가기 때문입니다. 따라서 IBM은 양자 볼륨이라는 표현을 사용하고 있습니다.  


 아무튼 프로토타입 양자 컴퓨터가 하나씩 늘어나면서 근미래에 양자 컴퓨터가 실제로 상용화될 수 있을지에 관심이 모아지고 있습니다. 물론 현재의 양자 컴퓨터 기술은 극저온 환경에서만 일어나는 양자 현상을 이용하기 때문에 일반적인 컴퓨터를 대체할수는 없습니다. 이번에 공개한 53큐빗 양자 컴퓨터는 10-15 milliKelvin의 극저온에서 작동합니다. 하지만 양자 컴퓨터가 상용화된다면 슈퍼 컴퓨팅 분야에 큰 변화가 예상됩니다. 과연 언제쯤 실용화될 수 있을지 궁금합니다. 


 참고 


견과류 섭취가 비만을 예방한다



(Credit: public domain)


 견과류 섭취는 당뇨나 대사증후군 같은 만성 질환의 위험도를 낮추는 것으로 알려져 있습니다. 비록 지방 함량이 많아 열량이 많기는 하지만 견과류 섭취는 비만 위험도를 크게 증가시키지 않거나 오히려 감소시킨다고 알려져 있습니다. 그리고 미국에서 진행된 대규모 역학 연구에서 견과류의 비만 위험도 감소 효과가 다시 입증됐습니다. 


 저널 BMJ Nutrition, Prevention & Health에 발표된 연구에서 저자들은 미국의 의료 전문가 추적 연구 (Health Professionals Follow Up Study), 간호사 건강 연구 Nurses Health Study (NHS) 및 간호사 건강 연구 II Nurses Health Study II (NHS II)에 참가한 수십만명의 추적 데이터를 분석해 20년에 걸친 체중 변화와 견과류 섭취량과의 상관 관계를 조사했습니다.


 미국 성인은 매년 0.5kg 씩 체중이 증가하는데 이번 연구 대상자의 경우 연평균 0.32kg의 증가를 보였습니다. 하지만 견과류 섭취량이 하루 14g인 경우 섭취량를 하지 않는 경우와 비교해 4년간 체중 증가량은 0.41-0.7kg 가량 줄어들었으며 비만 위험도는 17% 감소하는 것으로 나타났습니다. 장기 추적 관찰 연구를 통해서 견과류 섭취량이 비만을 예방하고 체중 증가를 억제할 수 있음을 보여준 것입니다. 


 언뜻 생각하면 견과류의 칼로리가 높기 때문에 의외의 결과 같지만, 연구팀은 몇 가지 이유가 있다고 설명했습니다. 견과류의 불포화지방 및 식이섬유는 포만감을 오래 유지해 칼로리가 높은 다른 음식을 덜 먹게 만듭니다. 또 견과류 식이 섬유는 지방의 흡수를 방해하고 배출을 촉진해 실제 먹는 것보다 더 적은 열량을 흡수시키는 것으로 보입니다. 이외에도 항산화제 등 다른 이유가 체중 증가 억제와 연관이 있을 수 있습니다. 


 한 가지 더 생각해 볼 수 있는 원인은 견과류 자체가 건강한 생활 패턴의 표지자라는 것입니다. 식후에 스낵이나 아이스크림을 먹는 사람보다 견과류를 챙겨 먹는 사람은 훨씬 건강한 생활 습관을 지니고 있을 가능성이 큽니다. 물론 이런 음식을 많이 먹어서 가공 식품이나 과자류, 탄산 음료 같은 건강에 해로운 식음료를 더 멀게 되는 것도 이유일 것입니다. 


 아무튼 이번 연구는 적절한 견과류 섭취가 건강에 도움을 줄 뿐 아니라 사실 비만을 예방하는데도 도움을 줄 수 있다는 주장을 다시 뒷받침한 결과로 생각됩니다. 


 참고 


 Changes in nut consumption influence long term weight change in US men and women, BMJ Nutrition, Prevention & Health, DOI: 10.1136/bmjnph-2019-000034

2019년 9월 26일 목요일

실제 참치만큼 빠른 로봇 참치



(출처: 버지니아 대학) 


 로봇 물고기는 우리 나라에서는 별로 인식이 좋지 않지만 사실 로봇 공학의 오래된 꿈 가운데 하나입니다. 인간이 만든 선박과 비교할 때 매우 조용하게 물속에서 고속으로 이동이 가능할 뿐 아니라 방향 전환도 빠르고 좁은 장소도 문제없이 들어갈 수 있습니다. 물고기처럼 헤엄치는 로봇 물고기를 만들 경우 군용은 물론이고 여러 가지 목적의 수중 드론이 가능할 것입니다. 이런 이유로 많은 연구자들이 로봇 물고기를 개발하고 있습니다. 



  버지니아 대학의 힐러리 바트-스미스 교수 (Prof. Hilary Bart-Smith)가 이끄는 연구팀은 참치를 모방한 튜나봇(tunabot, 사진)을 선보였습니다. 튜나봇은 참치만한 크기는 아니고 25.5cm 크기 축소 모형이지만, 초당 자신의 몸길이의 네 배를 움직일 수 있어 참치에 견줄 만한 속도를 지니고 있습니다. 튜나봇은 배터리팩을 내장해 0.4m/s의 저속 모드에서는 9km를 헤엄칠 수 있으며 1m/s 속도에서는 4km를 헤엄칠 수 있습니다. 




(동영상) 



 연구팀의 궁극적인 목적은 참치와 견줄 만한 속도는 물론이고 더 빠른 로봇 물고기를 만드는 것입니다. 가능할지는 모르겠지만, 로봇 물고기가 반드시 허황된 목표는 아니라고 생각합니다. 


 참고 


15GB/s 속도의 PCIe 4.0 x16 SSD - AORUS Gen4 AIC






(출처: 기가바이트) 


 기가바이트가 PCIe 4.0 SSD 네 개를 묶어 최대 15GB/s의 속도를 지닌 PCIe 4.0 SSD를 선보였습니다. Aorus Gen4 AIC SSD 8 TB는 네 개의 M.2 2280 SSD를 연결하기 때문에 발열량이 상당하며 이를 처리하기 위해 히트파이프와 5cm 크기의 볼베어링 블로워 쿨링팬이 탑재되어 있습니다. 각각의  SSD는 Phison의 PS5016-E16 컨트롤러를 지니고 있습니다. 이를 레이드로 엮을 경우 최대 15GB/s의 순차 읽기/쓰기 속도와 430K/440K read/write IOPS 스펙을 확보할 수 있습니다. 


 다만 이를 위해서는 넉넉한 PCIe 레인이 필수적입니다. 만약 일반 소비자용 메인보드에서 사용할 경우 멀티 그래픽 카드를 위한 대역폭이 부족할 수 있습니다. 이 고속 SSD가 일반 사용자보다는 워크스테이션이나 서버용으로 더 유용한 이유입니다. 예를 들어 128개의 PCIe lane을 지닌 에픽 7000시리즈가 라이젠 3000시리즈보다 더 유리할 것입니다. 하지만 구성을 볼 때 기업용 제품이라기 보다는 데이터 센터를 위한 고성능 SSD와 일반 소비자용 SSD 의 중간을 노리는 제품으로 생각됩니다. 


 현재까지 PCIe 4.0은 AMD에서만 지원되기 때문에 사용할 수 있는 플랫폼이 제한적이지만, PCIe 4.0의 확산은 매우 빠르게 진행될 것으로 예상됩니다. 인텔 역시 대응책을 마련할 수밖에 없기 때문입니다. 내년에는 PCIe 4.0 기반 SSD 보급이 빠르게 늘어날 것으로 생각됩니다. 또 아직 PCIe 4.0 x4의 대역폭이 충분하기 때문에 7GB/s는 M.2 SSD 한 개로도 충분히 달성 가능할 것입니다. 일반 사용자라면 내년 쯤에 이쪽을 노리는 것이 더 합리적일 것입니다. 


 참고 



2015-2019년은 관측 사상 역대 가장 더운 5년


 UN 산하의 Science Advisory Group에서 2015-2019년 사이 5년이 관측 역사상 가장 더운 5년이 될 것이는 보고서가 나왔습니다. 물론 그다지 의외의 사실이 아닌게 2016년에서 2018년 사이 지구 평균 기온은 역대 최고 기록을 연달아 갈아치웠고 2019년 평균 기온도 상반기에 이에 맞먹는 수준으로 기록됐기 때문입니다. 특별한 이변이 없는한 2015-2019년 사이는 관측 기록 사상 가장 더운 5년으로 기록될 것입니다. 


 이번 보고서에 의하면 2015년에서 2019년 사이는 1850년에서 1900년 사이 평균 기온에 비해 섭씨 1.1도가 더 높았습니다. 그리고 바로 직전인 2011년에서 2015년 사이와 비교해도 0.2도가 더 높습니다. 이는 산업화 시대 이전에 비해 지구 평균 기온 상승을 가능한 1.5도 이내로 제한한다는 파리 협약의 목표에 거의 근접한 것으로 사실상 1.5도 목표가 달성하기 어렵다는 점을 시사하고 있습니다. 이런 속도면 앞으로 10년 이내로 1.5도를 돌파할 것입니다. 


 아마도 더 암울한 사실은 이미 대기 중 이산화탄소 농도가 적어도 300-400만년 이내 최고 수준에 도달했으며 이 시기에 지구 기온은 지금보다 현저히 높았다는 사실입니다. 2018년 지구의 평균 이산화탄소 농도는 407.8ppm에 도달해 전년에 비해 2.2ppm 증가했으며 2019년에는 410ppm을 넘길 가능성이 있습니다. 인위적 이산화탄소 배출량은 큰 폭으로 증가하고 있지 않지만, 반대로 감소하는 것도 아니라서 2018년에도 전년 대비 2%가 증가한 것으로 추정되고 있습니다. 


 현재와 같은 추세라면 결국 지구 평균 기온은 이번 세기말에는 섭씨 수 도 이상 상승하게 될 것입니다. 미래의 지구는 지금과는 상당히 다른 생태계를 가지고 있을 것입니다. 파괴적인 결과를 막기 위해 지금 최대한 노력해야 하는 이유입니다. 


 참고