MIT 교수들, 국가의학아카데미 회원 선출

10월 20일, 국가의학아카데미(NAM)는 연례 회의에서 MIT 교수인 디나 카타비(Dina Katabi)와 파군도 바티스타(Facundo Batista) 등 100명의 새로운 회원 선출을 발표했습니다. 이들은 건강과 의학 분야에서 뛰어난 업적을 인정받아 NAM의 일원이 되었습니다. 국가의학아카데미는 건강, 과학, 의학 및 관련 정책의 중요한 문제를 다루며, 긍정적인 변화를 이끌어내기 위해 노력하고 있습니다.

MIT 교수들의 높은 성과


MIT는 세계적으로 인정받는 교육 및 연구 기관으로, 여러 저명한 교수들을 배출했습니다. 특히 디나 카타비는 전기공학 및 컴퓨터 과학과의 탐구에서 중요한 기여를 해온 교수입니다. 그녀는 디지털 헬스, 무선 감지, 모바일 컴퓨팅, 기계 학습 및 컴퓨터 비전 분야에서의 역량으로 주목받고 있습니다.
카타비는 비침입적인 원거리 건강 모니터링을 위한 AI 및 무선 신호를 활용한 디지털 헬스 기술을 선도하며, 파킨슨병의 진행 및 탐지를 위한 디지털 바이오 마커 개발에 기여하였습니다. 그녀의 연구 결과는 임상 시험에서 질병의 경과 및 치료 반응을 객관적으로 측정하는 데 큰 도움이 되고 있습니다.
그녀는 MIT 무선 네트워크 및 모바일 컴퓨팅 센터의 소장직과 컴퓨터 과학 및 인공지능 연구소(CSAIL)의 연구 그룹을 이끄는 책임을 맡고 있습니다. 이러한 뛰어난 성과는 카타비에게 많은 상을 안겨주었으며, 매카서 재단의 펠로우이기도 합니다.

국가의학아카데미의 중요성


국가의학아카데미(NAM)는 1970년 미국 국립과학원에 의해 설립되었으며, 건강, 과학, 의학 및 관련 정책의 중대한 문제 해결에 기여하고 있습니다. 최근 선정된 100명의 회원 중에는 MIT 교수뿐만 아니라 여러 MIT 동문도 포함되어 있습니다.
파군도 바티스타는 Ragon Institute의 부소장이자 MIT 생물학과의 Phillip T. 및 Susan M. Ragon 교수직을 맡고 있습니다. 그는 B세포의 면역 반응을 연구하여 감염성 질환에 대한 이해를 심화하는 데 기여하고 있으며, 최근에는 HIV, 말라리아 및 인플루엔자와 같은 세계적으로 중요한 질병의 백신 및 치료제 개발에 힘쓰고 있습니다.
바티스타는 런던 연구소에서 연구실을 설립했으며, MIT Ragon Institute에 합류하여 그의 전문성을 백신 개발 및 전임상 예방 접종 연구에 집중해왔습니다. 그의 연구 결과는 COVID-19와 HIV와 같은 현대의 중요 질병에 대한 해결책을 제시하는 데 도움을 주고 있습니다.

MIT 출신 회원들의 기여


이번 NAM 선출에서 MIT 출신의 동문들도 포함되어 있어, 그들의 기여가 더욱 강조되고 있습니다. 크리스토퍼 S.첸, 마이클 E. 마센이, 그리고 레베카 R. 리차드-코르텀은 각기 다른 분야에서 과학과 의학의 발전에 기여하고 있는 인물들입니다.
크리스토퍼 S. 첸은 기계공학과 하버드-MIT 건강과학기술 프로그램의 졸업생으로, 다양한 건강 문제 해결을 위한 혁신적인 연구를 진행하고 있습니다. 마이클 E. 마센이는 하버드-MIT 건강과학기술 프로그램 출신으로, 그의 연구는 의료 데이터 분석 및 활용에서 큰 기여를 하고 있습니다.
레베카 R. 리차드-코르텀은 물리학과 하버드-MIT 건강과학기술 프로그램의 졸업생으로, 생명과학 연구에서 중요한 역할을 하고 있습니다. 이처럼 다양한 MIT 동문들이 NAM의 일원으로 선출된 것은 건강과 의학 분야에서 MIT의 학문적 우수성을 잘 보여줍니다.

최근 NAM의 회원으로 선출된 MIT 교수들과 동문들은 그들의 연구 업적을 통해 공공 건강 문제와 관련된 도전 과제를 해결하기 위해 힘쓰고 있습니다. 카타비와 바티스타를 포함한 이들은 현대 의학에서 중요한 기여를 하며, 향후 더욱 많은 기여가 기대됩니다. 이들의 연구 결과는 우리 사회의 건강을 더 나은 방향으로 이끌어갈 것으로 기대됩니다.

이 블로그의 인기 게시물

인공지능의 소프트웨어 엔지니어링 도전 과제

MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)의 최근 연구 논문은 인공지능이 소프트웨어 엔지니어링의 많은 부분을 자동화하여 인간 개발자들이 더 창의적이고 전략적인 문제에 집중할 수 있도록 해야 한다고 주장합니다. 이 논문은 코드 생성을 넘어서는 다양한 소프트웨어 엔지니어링 작업의 현재 bottlenecks를 파악하고 이를 극복하기 위한 연구 방향을 제시합니다. 또한, AI가 해당 분야에서 진정한 파트너가 되기 위해 해결해야 할 여전히 많은 도전 과제를 강조하고 있습니다. AI의 소프트웨어 엔지니어링에 있어 평가 기준의 중요성 AI를 활용한 소프트웨어 엔지니어링에서 가장 큰 도전 과제 중 하나는 효과적인 평가 기준의 부재입니다. 현재 우리가 사용하는 평가 지표는 대개 단기적이고 자율적인 문제 해결에 중점을 두고 있으며, 이는 소프트웨어 엔지니어링의 실제 상황을 반영하지 않습니다. 예를 들어, AI 모델이 GitHub의 특정 문제를 수정하는 데 초점을 맞춘 SWE-Bench와 같은 기준은 AI가 처리해야 할 코드의 범위가 상당히 제한적입니다. AI가 대규모 코드베이스를 최적화하거나 다룰 수 있는 능력을 평가하는 것은 특히 어려운 과제입니다. 오늘날의 메트릭은 짧고 독립적인 문제에 기반해 설계되었으며, 이를 통해 실제 코드 최적화 과정에 대한 신뢰성을 담보하기에는 부족합니다. 따라서 이런 평가 기준의 부족은 AI의 발전 속도를 늦추고 있습니다. AI 주도적인 코드 리팩토링, 인간-AI 협업 프로그래밍, 그리고 대규모 성능 최적화의 시나리오를 반영한 평가 기준이 필요합니다. 이를 통해 AI의 현재 능력을 정확히 측정하고, 실제 성과를 기준으로 발전 방향을 설정할 수 있을 것입니다. 인간과 AI 간의 효과적인 소통 필요성 AI가 소프트웨어 엔지니어링에서 보다 효과적인 도구가 되기 위해서는 인간과 AI 간의 소통 방식의 개선이 필수적입니다. 현재의 AI 시스템은 대개 대량의 비구조적 코드 파일과 단순한 유닛 테스트를 생성하는데 그치고 있습니다. ...
자세한 내용 보기

MIT 연구, 치료 상호작용 최적화 프레임워크 개발

MIT 연구자들이 치료 상호작용을 연구하기 위한 새로운 이론적 프레임워크를 개발하였습니다. 이 접근법은 과학자들이 치료의 조합이 세포와 같은 단위 그룹에 미치는 영향을 효율적으로 추정할 수 있도록 하여, 비용이 많이 드는 실험을 줄이면서도 더 정확한 데이터를 수집할 수 있게 합니다. 이 연구는 향후 질병 메커니즘을 이해하고, 암이나 유전 질환 치료에 새로운 의약품 개발에 기여할 잠재력을 가지고 있습니다. MIT의 혁신적인 연구 MIT의 연구자들은 치료 상호작용을 깊이 있게 분석할 수 있는 새로운 이론적 프레임워크를 개발했습니다. 이 연구는 복잡한 유전자 상호작용과 세포 성장 알고리즘을 보다 정밀하게 이해하는 데 도움이 될 것으로 기대됩니다. 과학자들은 여러 유전자를 동시에 정밀하게 겨냥하는 데 필요한 조합 치료법을 다루기 위해, 여러 실험을 진행해야 합니다. 하지만 무수히 많은 조합 중 최적의 방법을 찾는 것은 큰 도전입니다. 그런 상황에서 MIT 연구팀이 개발한 프레임워크는 매우 중요한 역할을 할 수 있습니다. 이 연구는 사용자가 모든 치료를 동시에 적용할 수 있는 실험을 디자인할 수 있는 방법을 제공합니다. 이론적으로 이 접근법은 최적의 전략을 제안하며, 이를 통해 실험의 오류를 최소화할 수 있습니다. 아울러, 연구팀은 다단계 실험에서 시뮬레이션을 통해 새로운 방법의 유효성을 검증했습니다. 이는 향후 다양한 분야에서 이론적 프레임워크를 적용할 수 있는 가능성을 제시합니다. 효율적인 치료 디자인을 통한 데이터 수집 MIT의 연구자들은 실험에서 치료의 조합을 정의하고 설정하는 과정에서 생길 수 있는 편향을 방지하기 위해, 확률적 프레임워크를 사용했습니다. 이 프레임워크는 각 단위가 치료 조합을 무작위로 받아들이도록 하여 편향된 데이터를 최소화합니다. 사용자는 각 치료의 용량을 설정하는데, 이는 전반적인 실험 목표에 따라 다를 수 있습니다. 예를 들어, 여러 약물을 이용해 세포 성장에 미치는 영향을 연구하고자 할 때, 각 세포는 ...
자세한 내용 보기

테스트 시 학습 방식으로 LLM 성능 향상

최근 MIT 연구진은 LLM(대형 언어 모델)의 성능을 향상시키기 위해 "테스트 시 학습"(test-time training)이라는 새로운 훈련 기법을 도입했습니다. 이 연구는 LLM이 익숙하지 않은 복잡한 문제를 해결하는 능력을 크게 발전시킬 수 있음을 입증하였으며, 이를 통해 다양한 분야에서의 논리적 추론과 문제 해결에 대한 기대감을 높였습니다. 연구 결과는 국제 머신러닝 회의에서 발표될 예정입니다. 테스트 시 학습의 원리 테스트 시 학습은 모델이 배포 중에 그 내부 구조의 일부를 일시적으로 업데이트하여 새로운 문제에 적응할 수 있도록 하는 방법입니다. MIT 연구진은 이 접근법을 사용하여 LLM이 특정 작업에서의 성능을 극대화할 수 있는 방법을 발표했습니다. 이를 통해 모델은 새로운 데이터에 맞춰 스스로 운동을 하며, 정확도는 무려 여섯 배 향상되었습니다. 이러한 학습 방식은 모델이 복잡한 문제나 계획 및 추론을 요하는 작업에 더 유용해질 것을 의미합니다. 연구진은 테스트 시 학습과 인컨텍스트 학습(in-context learning)을 조합하여 적용해 보았습니다. 인컨텍스트 학습 방식은 사용자가 모델에게 새로운 작업의 몇 가지 예시를 제공하여 그 출력 방향을 안내하는 것입니다. 하지만, 이 방법은 논리적 사고와 추론을 요하는 문제에 대해서는 결과가 좋지 않았습니다. 반면, 테스트 시 학습은 실제로 모델의 파라미터를 업데이트하며 정확도를 극대화하는 강력한 방법임을 증명했습니다. 연구진의 실험은 IQ 퍼즐과 같이 복잡한 문제를 해결하기 위해 설계된 두 가지 기준 데이터셋에서 진행되었습니다. 이 실험에서는 새로운 작업에 대한 예제와 함께 입력 데이터의 변형을 통해 데이터셋을 확장했습니다. 이렇게 생성된 추가 데이터는 모델이 최상의 성능을 발휘할 수 있도록 포괄적인 학습을 제공합니다. 지속 가능한 모델 업데이트 테스트 시 학습의 특징은 한 번의 작업별로 적용되며, 사용자마다 별도로 진행해야 한다는 점입니다. 업데이트는...
자세한 내용 보기