정조운 교수 연구팀, 2025-2 융합연구학점제 총장상 수상

전자전기공학부 정조운 교수 연구팀, 2025-2 융합연구학점제 총장상 수상 기계공학부 이승민, 전자전기공학부 박준재, 기계공학부·소프트웨어학부·자기설계융합전공 이나현 학생으로 구성된 FITOLOGY 팀(지도교수 정조운, 김명준 석사과정)이 ‘2025학년도 2학기 융합연구학점제 성과보고회’에서 대상을 차지하며 총장상의 영예를 안았다. 수상 주제는 ‘사용자 친화적 근기능 평가 및 모니터링 시스템 개발’이다. ‘융합연구학점제’는 다양한 전공의 학생들이 지도교수와 함께 문제를 발굴하고 해결책을 모색하는 자기주도적 연구 과정을 학점으로 인정하는 제도다. 이러한 취지 아래, 성균관대학교 전자전기공학부 정조운 교수가 이끄는 스마트바이오메디컬 연구실(Smart Biomedical Laboratory, https://smartbio.skku.edu) 에서도 공학과 의생명 분야를 아우르는 융합 연구를 바탕으로 학생 참여형 연구가 활발히 이루어지고 있다. 지난 12월 23일 삼성학술정보관 오디토리움에서 열린 이번 성과보고회에서는 결과보고서 심사와 발표 평가를 거쳐 최종 수상팀이 선정되었다. FITOLOGY 팀은 고령화 사회로 진입하며 근력 관리의 중요성이 증대되는 현실에 주목했다. 연구팀은 고가의 임상 장비와 검사자의 숙련도에 따라 결과가 달라지는 도수근력검사의 한계를 극복하고자, 저비용이면서도 사용자 스스로 정확한 측정이 가능한 시스템을 고안했다. 이들이 개발한 시스템은 상용 모니터 암을 활용한 고정형 하드웨어와 IoT 기반 소프트웨어 플랫폼을 결합해, 사용자가 보조자 없이도 등척성 근력(관절 움직임 없는 근력)을 독립적으로 측정할 수 있도록 설계되었다. 특히 3D 프린팅 기술을 활용해 제작 비용을 5~10만 원대로 낮추면서도, 측정 환경에 맞는 신호 처리 알고리즘을 적용해 상용 장비 수준의 성능을 구현해 냈다. 또한 모바일 앱과 웹 서버를 연동한 통합 시스템을 구축하여 사용자에게 직관적인 측정 절차를 안내하고 데이터를 장기적으로 저장·관리할 수 있게 했다. 이를 통해 사용자는 자신의 근력 변화를 지속적으로 모니터링할 수 있으며, 의료진은 축적된 데이터를 바탕으로 보다 객관적인 진단을 내릴 수 있을 것으로 기대된다. 한편, FITOLOGY 팀은 이번 연구 성과를 바탕으로 SCI급 학술지 논문 게재를 목표로 후속 연구를 진행 중이며, 국내 연구기관과의 협업을 통해 시스템의 임상적 활용 가능성을 구체화해 나갈 계획이다.

이병국 교수 연구팀 국제학술대회 ICEMS2025 1st Best Paper Award 수상

이병국 교수 연구팀 국제학술대회 ICEMS2025 1st Best Paper Award 수상 정보통신대학 전기전자공학부 이병국 교수 연구팀이 2025년 11월 16일부터 19일까지 부산 파라다이스호텔에서 개최된 ICEMS 2025 (International Conference on Electrical Machines and Systems)국제학술대회에서 발표한 두 편의 논문에 대해 Best Paper Award를 수상했다. 특히 이 중에서 임제영 박사과정이 발표한 “Real-time State-of-Health Estimation Algorithm for Lithium-ion Battery Based on Coulomb Counting and Constant Voltage Charging Time Reset”논문은 1st Best Paper Prize를 수상하는 쾌거를 달성하였다. ICEMS학회는 IEEE Industry Application Society (IAS)의 Co-sponsorship을 받는 학회이며 이번 ICEMS2025학회에는 23개국에서 총 714편의 논문이 발표되었고 894명이 참석한 전기기기 및 에너지변환 분야에서 권위있는 학술대회이다. 714편의 논문 중에서 이병국 교수팀이 발표한 논문이 1st Paper Prize를 포함하여 두개의 Best Paper를 수상했다는 것은 이병국 교수 연구실 차원을 넘어서서 성균관대학교 정보통신대학의 연구역량을 국내외적으로 드높인 점에서 의미가 크다. 특히 Best Paper를 수상한 두 편의 논문은 전기자동차 및 무인잠수정에 탑재되는 리튬이온배터리의 상태추정알고리즘 (BMS)에 대한 연구내용이며 SK On, 현대자동차, 국방과학연구원 및 여러 중소중견기업들과 지속적으로 BMS 분야에 대해 연구한 이병국 교수 연구팀 성과의 우수성을 보여준다. 이병국 교수는 2024년 전기자동차 충전기 및 BMS알고리즘 분야의 연구성과를 인정받아 IEEE Fellow로 선정된 석학회원이며 현재 20여명의 석박사과정 학생들과 본 분야에 대해 연구를 진행하고 있다. 왼쪽부터 성균관대 전자전기컴퓨터공학부 임제영 석·박사통합과정 (1st Best Paper Award), 성균관대 전자전기컴퓨터공학부 김도현 석·박사통합과정 (Best Paper Award)

2025학년도 자유전공계열 학부모 초청간담회 개최

- 전자전기공학부, 2025 자유전공계열 학부모 초청 오프라인 간담회 개최 - 성균관대학교 정보통신대학 전자전기공학부는 2025년 11월 8일(토)에 2025학번 신입생 학부모 간담회를 삼성학술정보관 오디토리움에서 개최했다. 전자전기공학부 자녀의 대학 생활과 진로에 대한 이해를 돕기 위해 2012년부터 진행되었으며, 코로나로 중단되다가 2023학년도부터 다시 오프라인으로 진행되었다. 이번 초청 간담회에는 약 80여 명의 학부모가 참석하였으며, 정보통신대학 전정훈 학장 및 전자전기공학부 박형원 학부장 및 학부 운영위원 교수님이 참석하였다. 간담회에서는 전자전기공학부 교과 및 비교과 제도, 해외연수 프로그램 및 장학제도, 교환학생, 취업 및 진학등 설명하는 방식으로 진행되었다. 간담회 이후, 학부모님과 함께 삼성학술정보관과 제1공학관을 둘러보았다. 첨단강의실, 실험실습실 등을 살펴보았고, 학생 학습공간을 직접 체험할 수 있었다. 또한, 첨단강의실에서 학교생활, 교육과정, 진로사례 등에 대한 학부모님의 질의응답에 대해 교수님 및 재학생이 답변하는 시간을 진행하였다. 이를 통해 자녀의 대학생활과 진로에 대한 이해를 높일 수 있었다고 평가하였다. 전자전기공학부 박형원 학부장은 자유전공계열 학부모 초청간담회를 개최를 하며 자녀의 대학생활과 진로에 많은 관심을 가져주실 것을 당부하였다.

고종환 교수 연구실, 학부생 주저자 논문 ICCV 2025 발표

고종환 교수 연구실, 학부연구생 주저자 논문 ICCV 2025 발표 [그림1] ICCV 공식 홍보 이미지 고종환 교수 연구팀 소속 학부연구생 한석호(시스템경영공학과 3학년), 윤서연(전기전자공학부 졸업) 학생이 주도한 논문이, 세계 최고 권위의 인공지능 및 컴퓨터 비전 국제학술대회인 ICCV 2025 (International Conference on Computer Vision)에 발표 승인되었다. [그림2] (왼쪽부터) 성균관대 전자전기공학부 고종환 교수, 학부연구생 한석호, 학부연구생 윤서연 특히 본연구는 학부생들이 1저자로 참여하여 아이디어 기획부터 실험 설계, 결과 분석, 논문 작성에 이르기까지 연구 전반을 주도하여 수행한 굉장히 이례적인 성과로 본교의 탁월한 연구역량과 잠재력을 세계적으로 입증한 사례라 할 수 있다. 더 나아가 해당 연구는 미국 University of Arizona 소속 Huanrui Yang 교수팀과의 공동 연구로 수행되었으며, 이는 IRIS 연구실의 강한 글로벌 연구 네트워크 지속적인 해외연구진과의 교류를 통해 얻은 뜻깊은 국제협력연구 성과이기도 하다. [그림2] 기존 비트 단위 분해 양자화 기법(좌), 본 연구에서 제안하고 있는 Memory-Efficient Bit Sparsification Quantization(MSQ) 혼합 정밀도 양자화 기법(우) 본 논문 “MSQ: Memory-Efficient Bit Sparsification Quantization“은 모바일이나 엣지 디바이스처럼 연산 자원이 제한된 환경에서도 고성능 인공지능 모델을 효과적으로 학습시키기 위한 새로운 양자화 기법을 제안한다. 기존의 양자화 기술은 혼합 정밀도 양자화 (mixed-precision quantization)를 통해 모델의 계산량을 줄이고자 했지만, 각 층별 최적 정밀도 탐색의 복잡성과 높은 메모리 소모라는 한계가 존재했다. 비트 단위 분해 양자화(Bit-level Splitting Quantization)는 모델 학습과 동시에 각 레이어의 정밀도를 함께 학습하는 방식으로, 가중치를 비트 단위로 쪼개어 학습 가능한 파라미터로 처리한다. 하지만 이 과정에서 메모리 사용량이 크게 증가하는 한계가 있다. MSQ는 비트 분해 없이 중요도가 낮은 비트(LSB)만을 선택적으로 제거함으로써, 학습 중 메모리와 연산량을 동시에 절감할 수 있도록 설계되었다. [그림3] 다양한 배치 크기(가로축) 따른 훈련 시간(세로축) 및 학습 파라미터 수(원의 크기)비교 MSQ는 모델 민감도를 반영한 정보와 함께 여러 개의 LSB를 한 번에 제거할 수 있도록 설계하여, 메모리 사용량 절감 에 더불어 학습 속도 역시 향상시켰다.