http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
란시아이트-다카네라이트 고용체 결정구조에 대한 분자동역학 시뮬레이션 연구
한수연(Suyeon Han),권기덕(Kideok D. Kwon) 한국암석학회 2020 암석학회지 Vol.33 No.1
란시아이트(ranciéite)는 수화된 Ca<SUP>2+</SUP> 양이온이 망간 원자 빈자리를 아래위로 덮고 층간을 채우고 있는 육방정계 층상형 산화망간광물(phyllomanganates)이다. 망간 원자 빈자리를 Mn<SUP>2+</SUP> 양이온이 더 우세하게 채우는 경우, 다카네라이트(takanelite)라는 광물로 구분하며, 란시아이트와 다카네라이트는 서로 고용체를 이룬다. 이 광물들은 입자크기가 매우 작고 다른 광물과 함께 산출되기 때문에 실험만으로 정확한 결정구조를 규명하기 어렵다. 이번 연구에서는 층간 Mn<SUP>2+</SUP>/Ca<SUP>2+</SUP> 양이온 비율에 따른 란시아이트-다카네라이트의 결정구조와 층간 구조를 규명하기 위해 고전분자동역학 시뮬레이션(molecular dynamics simulations; MD)을 수행하였다. 연구방법의 적합성을 판단하기 위해 결정구조가 잘 알려진 칼코파나이트 군(chalcophanite group) 광물들에 대해 시뮬레이션 계산을 수행 후 실험 결과와 비교하였다. 이후 층간 양이온 비율에 따른 란시아이트 및 다카네라이트 모델에 대한 MD 시뮬레이션을 수행하여 양이온 함량에 따른 양이온과 물 분자의 분포 및 (001) 면간거리를 제시한다. Ranciéite is a hexagonal phyllomanganate mineral containing random Mn(IV) vacancies with hydrated Ca<SUP>2+</SUP><SUP></SUP> cations charged balanced as interlayer cations. Its Mn<SUP>2+</SUP> analogue is called takanelite, and ranciéite and takanelite are regarded as end-members of a solid solution series of (Ca<SUP>2+</SUP>,Mn2+)Mn₄O9·nH₂O. Because the minerals are found as very small particles associated with other minerals, the crystal structures of the solid solution series have yet to be defined. In this research, we conducted classical molecular dynamics (MD) simulations of ranciéite and takanelite by varying the Mn<SUP>2+</SUP><SUP></SUP>/Ca<SUP>2+</SUP> interlayer cation ratio to find relations between the interlayer cations and mineral structures. MD simulation results of chalcophanite group minerals are compared with experimental results to verify our method applied. Then, lattice parameters of ranciéite and takanelite models are presented along with detailed interlayer structures as to the distribution and coordination of cations and water molecules. This study shows the potentials of MD simulations in entangling complicated phyllomanganates structures.
InGaP/GaAs HBT를 이용한 900 MHz 대역1 W급 고선형 전력 증폭기 MMIC 설계
주소연(Soyeon Joo),한수연(Suyeon Han),송민건(Mingeun Song),김형철(Hyungchul Kim),김민수(Minsu Kim),노상연(Sangyoun Noh),유형모(Hyungmo Yoo),양영구(Youngoo Yang) 한국전자파학회 2011 한국전자파학회논문지 Vol.22 No.9
본 논문에서는 InGaP/GaAs hetero-junction bipolar transistor(HBT)를 이용하여 900 MHz에서 동작하는 1 W급선형 전력 증폭기를 설계 및 검증하였다. 온도 변화에 따른 증폭기의 특성 변화를 최소화하기 위해 능동 바이어스 회로를 구성하였다. 전류 붕괴(current collapse)와 열 폭주(thermal runaway)를 방지하기 위하여 ballast 저항을 삽입하여 전력 증폭기의 성능 및 신뢰성을 최적화하였다. 제작된 선형 전력 증폭기는 중심 주파수 900 MHz의 one-tone 신호를 사용하였을 때, 17.6 dB의 전력 이득과 30 dBm의 OP1dB를 가지며, 이때 44.9 %의 PAE를 갖는다. 또한, two-tone 신호를 인가하였을 때, 20 dBm의 평균 출력 전력에서 47.3 dBm의 매우 높은 OIP3를 갖는다. This paper presents a highly linear power amplifier MMIC, having an output power level of about 1 watt, based on InGaP/GaAs hetero-junction bipolar transistor(HBT) technology for the 900 MHz band. The active bias circuit is applied to minimize the effect of temperature variation. Ballast resistors are optimized to prevent a current collapse and a thermal runaway. The fabricated power amplifier exhibited a gain of 17.6 dB, an output P1dB of 30 dBm, and a PAE of 44.9 % at an output P1dB from the one-tone excitation. It also showed a very high OIP3 of 47.3 dBm at an average output power of 20 dBm from the two-tone excitation.
대학의 AI 기반 맞춤형 강의 추천 시스템 개발 및 실제 적용 사례 연구: K 대학을 중심으로
이진숙 ( Jinsook Lee ),문기범 ( Kibum Moon ),한수연 ( Suyeon Han ),이수강 ( Sukang Lee ),권혜정 ( Hyejung Kwon ),한재호 ( Jaeho Han ),김규태 ( Gyutae Kim ) 한국교육공학회 2021 교육공학연구 Vol.37 No.2
본 연구는 대학혁신을 위한 인공지능 기반의 적응형 학습인 AI 기반 교양 강의 추천 시스템을 래피드 프로토타입 모형에 기반하여 개발하고, 실제 교내 포털 시스템에 적용하여 이용 결과를 분석하는 것에 목적을 두었다. 해당 서비스는 2020년 7월 교내 포털 시스템에 적용하였다. 추천 기능에 이용된 알고리즘은 사용자 기반 협업 필터링과 수강 이력 기반 통계 알고리즘을 이용하였으며, 각 모델당 21개의 교양 강의를 추천하였다. 서비스 만족도 설문조사를 진행한 결과, 782명의 응답을 수집하였고 협업 필터링 알고리즘보다 통계 기반 알고리즘의 만족도가 유의미하게 높은 것을 확인하였다. 그러나 실제 사후 추적 조사 결과, 2020년 2학기 희망 강의로 등록된 강의 내역과 실제 수강 내역에서 추천된 강의를 분석했을 때 협업 필터링 알고리즘의 Recall@21이 각각 약 37%와 43%로 통계 기반 알고리즘의 결과인 18%와 14%에 비해 높은 것으로 나타났다. 또한, 학생들은 교양 강의를 선택할 때 흥미 및 관심사를 가장 우선순위로 고려하였으며, 강의 제목의 모호함 때문에 강의에 대한 키워드가 가장 필요한 정보라고 응답하였다. 더불어 설문 응답자들은 원하는 강의와 원하는 수업 방식을 추천 결과에 직접 반영하고자 하는 요구를 확인하였다. 본 연구가 국내 대학 교육 실정에 맞는 인공지능 기반의 맞춤형 강의 추천 시스템을 개발하고 학습자에게 맞춤형 교육 정보를 제공하고자 할 때 기초자료로 기여할 수 있기를 기대한다. This paper outlines the development process of an AI-based elective course recommendation system on the basis of rapid prototype methodology (RP), from algorithm modeling to development of a user interface and follow-up survey. The algorithms used to produce recommendations employed either user-based collaborative filtering or a class history-based statistical model, incorporating students’ course ratings and course enrollment history data. The system was implemented on the campus portal website in July 2020, and a satisfaction survey was conducted. Our results, based on 782 responses, demonstrated that the statistical-based model had significantly higher satisfaction than the collaborative filtering model. However, a follow-up survey based on course wish list and course registration data found that Recall@21 for the collaborative filtering model was about 37% and 43%, respectively, compared with 18% and 14%, respectively, for the statistical-based model. Thus, we found a difference between satisfaction with the recommended list and actual course behavior. In their responses, students regarded their academic interests as the top priority when choosing elective courses, and noted that keywords, capable of fully describing the lectures, were vital information due to ambiguous course titles. This study is expected to contribute to the further development and real application of AI-based recommendation systems in Korean higher education institutions.