metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:451949
  - loss:CachedMultipleNegativesRankingLoss
base_model: BAAI/bge-m3
widget:
  - source_sentence: 본 연구를 통해 장바이러스를 농축, 정제, 및 검출할 수 있는 신속, 간편하고 효과적인 방법을 개발하기 위해 필요한 물질은 무엇인가?
    sentences:
      - >-
        <h1>요 약</h1><p>환경에 존재하는 장바이러스는 오염된 물을 통하여 경구경로로 전염이 가능하고, 바이러스는 적은 양으로도
        인체에 감염이 가능하므로 인간의 건강을 위협할 수 있다. 환경 수계 및 음용수에서 발견되는 바이러스의 수치는 비교적 낮으므로
        수백에서 수천 리터의 물을 농축시킬 필요가 있다. 따라서 이 연구의 주요 목적은 수계 시료로부터 장바이러스를 농축, 정제, 및
        검출할 수 있는 신속, 간편하고 효과적인 방법을 개발하는 것이다. 먼저 바이러스를 1MDS 카트리지 필터에 흡착시켜 농축시키고 약
        \( 500 \mathrm{~m} \ell \)의 \( 1.5 \% \) beef extract/\( 0.05 \mathrm{M}
        \) glycin\( (\mathrm{pH} 9.4) \)으로 용출시킨다. 이 연구에서는 흡착필터로부터 얻은 바이러스 1차
        용출액을 더욱 농축시키고 정제하기 위하여 세가지 방법을 시도하였다. 이들 가운데서 유기 응집법이 바이러스 재농축에 가장 효과적인
        방법이었다. 이 방법으로 시료 부피를 200에서 400배까지 감소시킬 수 있었으며 최종 바이러스 수거율은 \( 72 \% \)
        이상이었다. 마지막으로 시료를 막 디스크 필터로 여과시키고 plaque assay 혹은 CC-PCR법으로 분석하였다. </p>
      - >-
        먹는 물의 병원성미생물 조기검출방법 확립

        □ PCR(중합효소 연쇄반응, Polymerase Chain Reaction)

        효소(DNA polymerase)와 시약 등을 사용하여 미생물(바이러스, 원생동물 등)의 유전자(DNA, RNA) 중 특정 부위만
        연속적으로 증폭시켜 원하는 대상 유전자(target gene)의 존재를 확인하는 방법. □ 총배양성바이러스분석법(TCVA:
        total culturable virus assay)

        환경시료(상수원수)중에 함유된 바이러스가 시료 채취시 여과막에 흡착되고, 여과막의 바이러스를 탈리(분리)ㆍ농축한 후 원액과 희석
        원액을 살아있는 세포(BGM : Buffalo Monkey Kidney Cell ,원숭이신장세포)에 접종하고 37℃에서
        1차(14일) 배양하고, 1차 배양액을 2차(14일) 계대배양한 후 세포병변효과(Cytophatic Effect) 양성갯수,
        채수량 등 계산식(프로그램)에 적용하여 바이러스 농도(MPN)값을 계산. □ 통합세포배양-중합효소연쇄반응방법(ICC-PCR :
        integrated cell culture-PCR)

        총배양성바이러스분석법과 동일한 방법으로 시료의 전처리를 수행하고, 세포에 시료를 접종하여 3일(72시간)간 배양한 후에 증식한
        바이러스를 유전자분석법(PCR ; 중합효소 연쇄반응방법)으로 검출. - 실시간 중합효소연쇄반응(Real time PCR)방법

        실시간중합효소연쇄반응(Real time PCR)방법은 병원성미생물별 특정 유전자(target sequence)의 증폭과 함께
        형광량도 증가하도록 시약을 첨가하여, 반응 후의 형광변화를 분석하고, 농도를 알고 있는 표준식(Standard curve)과
        비교하여 대상 미생물별 정량화가 가능한 방법. ※ Real time PCR은 특정 유전자를 증폭한 후 전기영동하여 증폭 산물을
        확인할 필요가 없다는 점에서 기존의 방법보다 시간이 단축되며, 다량의 시료를 동시에 수행이 가능한 장점이 있다. - 장바이러스 및
        장관계바이러스

        바이러스는 숙주에 매우 특이적으로 감염하여, 사람에게 감염하여 질병을 일으키는 병원성 바이러스 역시 대부분 사람에게만 제한적으로
        감염한다. 분변에 다량 존재하는 장관계바이러스로는 장바이러스(Enterovirus ; 폴리오바이러스, 콕사키바이러스,
        에코바이러스)와 그밖에 아데노바이러스, 레오바이러스, 로타바이러스, A형 간염 바이러스, E형 간염바이러스, 그리고 노로바이러스와
        같이 장염을 일으키는 바이러스가 포함된다. 장관계바이러스(Human enteric viruses)는 100여종의 바이러스가 알려져
        있다(장바이러스는 70여종).
      - >-
        <table border><caption>\( \left \langle \right . \) 표 6〉 크기 \( 8 \times
        8 \) 인 메쉬의 \( Q_ { 8 } \) 에 대한 임베딩 \( f_ { 3 } \)</caption>
        <tbody><tr><td rowspan=2></td><td>\( j=0 \)</td><td>\( j=1 \)</td><td>\(
        j=2 \)</td><td>\( j=3 \)</td><td>\( j=4 \)</td><td>\( j=5 \)</td><td>\(
        j=6 \)</td><td>\( j=7 \)</td></tr><tr><td colspan=2>01</td><td
        colspan=2>00</td><td colspan=2>10</td><td
        colspan=2>11</td></tr><tr><td>\( j=0
        \)</td><td>010101</td><td>001111</td><td>000101</td><td>011111</td><td>110101</td><td>101111</td><td>100101</td><td>111111</td></tr><tr><td>\(
        j=1
        \)</td><td>010111</td><td>001101</td><td>000111</td><td>011101</td><td>110111</td><td>101101</td><td>100111</td><td>111101</td></tr><tr><td>\(
        j=2
        \)</td><td>011101</td><td>000111</td><td>001101</td><td>010111</td><td>111101</td><td>100111</td><td>101101</td><td>110111</td></tr><tr><td>\(
        j=3
        \)</td><td>011111</td><td>000101</td><td>001111</td><td>010101</td><td>111111</td><td>100101</td><td>101111</td><td>110101</td></tr><tr><td>\(
        j=4
        \)</td><td>110101</td><td>101111</td><td>100101</td><td>111111</td><td>010101</td><td>001111</td><td>000101</td><td>011111</td></tr><tr><td>\(
        j=5
        \)</td><td>110111</td><td>101101</td><td>100111</td><td>111101</td><td>010111</td><td>001101</td><td>000111</td><td>011101</td></tr><tr><td>\(
        j=6
        \)</td><td>111101</td><td>100111</td><td>101101</td><td>110111</td><td>011101</td><td>000111</td><td>001101</td><td>010111</td></tr><tr><td>\(
        j=7
        \)</td><td>111111</td><td>100101</td><td>101111</td><td>110101</td><td>011111</td><td>000101</td><td>001111</td><td>010101</td></tr></tbody></table>
  - source_sentence: 다중 스위칭 소자를 사용한 벅-부스트 컨버터의 특징은 뭐야?
    sentences:
      - >-
        <p>본 실험에서는 소수상품평 검색성능을 엄격한(strict) 평가와 관대한(lenient) 평가의 두 경우로 나누이 평가한다.
        여기서 엄격한 평가는 소수상품평 집합을 김색한 후, 헤당 집합 속의 개별 상품평 증 소수상품평까지 모두 검색하는(알아맞히는)
        경우를 정답으로 하고, 관대한 평가는 소수상품평 집합만을 김색하는 것을 정답으로 한다. 예를 들어 어떤 상품평 집합의 실제 구성이
        [N, P, P, P, P, P]로 되어있으면, 엄격한 평가의 경우, 해당 집합을 소수상품평으로 검색한 후, 이 집합 속에서
        N으로 분류된 소수상품평까지 김색하는 경우([N, P, P, P, P, P]로 순서까시 맞힘)를 정답으로 간주한다. 걸국 엄격한
        평가는 일단 다양한 상품평 집합들 속에서 소수상품평을 포함하는 집합들을 검색한 후에, 한발 더 나아가 개별 집합 속의 개별
        소수상품평까지 추가로 선별헤 낼 수 있어야 한다. </p> <p>이에 비해 관대한 평가는, 다양한 상품평 집합들 속에서
        소수상품평이 존재하는 집합만 검색하면 되기 때문에, 개별 상품평의 긍정/부정 분류가 설령 틀리더라도 상품평 집합의 긍정/부정
        비대칭도의 조건만 맞으면 된다. 예컨대 실제 집합이 [N, P, P, P, P, P]일 때, 긍정/부정 자동분류 중 일부 오번류가
        있는 [P, N, P, P, P, P]나 [P, P, P, P, P, N]도 비대칭도가 동일하기 때문에 소수상품평 집합으로
        검색된다. 본 실험에서는 소수상품평이 포함돼있음을 판단하는 기준을 '비대칭도가 \( 0.5 \) 보다 큰가 \( (0.5<1 \)
        Skewness|)'와 '비대칭도가 \(1 \)보다 큰가 \( (1< \) |Skewness|)'로 나누어 평가한다. </p>
        <h2>4.4 실험결과</h2> <p>소수상품평 검색성능을 정밀도, 재현울, F \(1 \) 점수로 각각 엄격하게(strict)
        또는 관대하게(lenient) 평가한 걸과를 Table \(7 \)과 Table \(8 \)에 각각 정리한다. </p>
        <p>Table \(7 \)의 엄격한 평가의 경우, 스마트폰과 영화의 두 비대칭도 정의에 대하여 미수정 감성사전(SWN
        \&OPL)을 이용헸을 때의 \(4 \)개의 F \(1 \)점수의 평균은 \( 11.4 \% \) 였다. 한편, Table \(7
        \)에서 도메인 특화된 감성사전(MRG \&SBL)을 이용혰을 때의 평균 F \(1 \)점수는 \( 19.8 \% \)였다.
        Table \(8 \) 의 관대한 평가에서는, 미수정 사전과 도메인 특화 사전의 평균 F \(1 \) 점수가 각각 \( 48.9
        \% \) 와 \( 53.8 \% \)였다. 두 표 모두에서 도메인 특화된 감성사전을 이용한 경우가 미수정 감성사전을 이용한
        경우보다 소수상품평 검색에서 더 좋은 성능을 나타냄을 확인할 수 있다. 미수정 사전과 수정 사전의 평균 F \(1 \) 점수의
        차이는 엄격한 평가의 경우 \( 8.4 \% \) 었고, 관대한 평가의 경우 \( 4.9 \% \) 었다. </p>
      - >-
        <h1>III 결론</h1><p>본 논문에서는 기존의 벅-부스트 컨버터의 효율 보다 높은 효율을 갖는 다중 스위칭 소자를 사용한
        벅-부스트 컨버터를 설계하였다. 제안한 컨버터는 동일면적 및 동일 효율 또는 적은 효율 감소만으로도 넓은 출력 전압 범위를 갖도록
        설계하였다. 벅-부스트컨버터는 고전류에서 고효율을 위해 PWM 제어법을 이용하여 제어하였고, 전류모드를 이용하여 설계하였다.
        제안한 컨버터는 최대 출력전류 \( 300 \mathrm{~mA} \), 입력 전압 \( 3.3 \mathrm{~V} \)에
        출력전압 \( 700 \mathrm{mV}^{\sim} 12 \mathrm{~V}, 1.5 \mathrm{MHz} \) 의
        스위칭주파수를 갖는다. 최대 효율은 \( 90 \% \) 를 갖도록 설계하였다. 또한 과부하 및 기타 환경적인 변화에 의한
        오동작으로 인해 전력 손실과 내부 및 외부 IC의 손상을 방지하기 위한 보호회로를 IC 내부에 설계하여 신뢰성을 향상시켰다.
        마지막으로 고안된 ESD 보호 소자를 설계 및 탑재하여 정전기 방지로 인한 IC의 손상을 방지하고, 기존의 ggNMOS의 높은
        트리거 전압을 개선하여, 낮은트리거링 특성을 갖는 ESD 보호회로를 제안 및 설계하였다. 시뮬레이션 결과 일반적인 ggnmos의
        트리거전압이 \( 8 \mathrm{~V} \) 내외인 것에 반해 고안된 소자의 트리거전압은 \( 4 \mathrm{~V} \)
        내외로 더 낮은 트리거 전압 특성을 나타냈다. </p>
      - >-
        <h1>요 약</h1><p>본 논문에서는 DT-CMOS(Dynamic Threshold voltage Complementary
        MOSFET) 스위칭 소자를 사용한 DC-DC Buck 컨버터를 제안하였다. 높은 효율을 얻기 위하여 PWM 제어방식을
        사용하였으며, 낮은 온 저항을 갖는 DT-CMOS 스위치 소자를 설계하여 도통 손실을 감소시켰다. 제안한 Buck 컨버터는 밴드갭
        기준 전압 회로,삼각파 발생기, 오차 증폭기, 비교기, 보상 회로, PWM 제어 블록으로 구성되어 있다. 삼각파 발생기는
        전원전압(3.3V)부터 접지까지 출력 진폭의 범위를 갖는 \( 1.2 \mathrm{MHz} \) 의 주파수를 생성하며, 비교기는
        2단 증폭기로 설계되었다. 그리고 오차 증폭기는 \( 70 \mathrm{~dB} \) 의 이득과 \( 64^{\circ} \)의
        위상여유를 갖도록 설계하였다. 또한 제안한 Buck 컨버터는current-mode PWM 제어회로와 낮은 온저항을 갖는 스위치를
        사용하여 \( 100 \mathrm{~mA} \)의 출력 전류에서 최대 \( 95 \% \)의 효율을 구현하였으며, \( 1
        \mathrm{~mA} \)이하의 대기모드에도 높은 효율을 구현하기 위하여 LDO 레귤레이터를 설계하였으며,또한 2개의 IC 보호
        회로를 내장하여 신뢰성을 확보하였다. </p><h1>1. 서론</h1><p>최근의 휴대전화, PDA, MP3과 같은 휴대용
        멀티미디어의 사용이 급증함에 따라 고효율, 소형화를 위해 기존의 Linear 방식의 전원장치에서 SMPS 방식으로 대체되고 있는
        추세이다. SMPS(Switching Mode Power Supply)는 스위칭주파수를 이용해 에너지 축적용 소자의 소형화를 이룰
        수 있으나, 스위칭 주파수의 고주파화로 인해 생기는 스위칭 손실, 인덕터 손실, 전도 손실 등에 대한대책을 강구하여야 한다.
        기존의 저전압 DC-DC 컨버터는 스위칭 소자로서 일반적인 CMOS 소자를 사용해 왔다. 그러나 CMOS 스위칭 소자는 매우 작은
        온 저항을 얻기 위해서 매우 큰 면적을 필요로 하기 때문에 본 연구에서는 이러한 스위칭 소자의 면적 문제를 개선 하고자 문턱전압을
        낮추어 온 저항을 줄일 수 있는 DT-CMOS를 사용한 스위칭 소자를 제안하였다. 제안된 소자는 기존의 일반적인 CMOS 공정을
        이용하고, 기존의 CMOS 소자 보다 더 적은 면적을 갖고, 더 작은 온저항을 갖는다.[3] </p><p>따라서 본 논문에서는
        DT-CMOS 스위칭 소자를이용하여 동일 면적에서 기존의 CMOS 스위칭 소자를 사용한 SMPS 보다 더 높은 효율을 갖는
        DC-DCBuck 컨버터를 설계하였다. 본론 1절에서는 DT-CMOS 스위칭 소자의 기본적인 개념과 구현 방법 그리고 동작 특성에
        대해 설명하였으며, 2절에서는 DC-DC Buck 컨버터 설계에 대해 설명하였다. 3절에서는 낮은 출력 전류에서 효율이 급격히
        감소하는 PWM 방식을 보완하는 LDO 레귤레이터에 대해 설명하였으며, 4절에서는 IC를 보호하기 위한 회로에 대해 설명하였다.
        </p>
  - source_sentence: >-
      Table 1. Natural frequency of each cantilever with different weights에서 10
      g일 때 Type2의 값은 어떠한가?
    sentences:
      - >-
        <table border><caption>표 6. 방법 2의 형식분류율 및 형식별 문자 인식기의 인식율</caption>
        <tbody><tr><tr><td>In
        Out</td><td>Type1</td><td>Type2</td><td>Type3</td><td>Type4</td><td>Type5</td><td>Type6</td><td>Type7</td><td>Rec(T)</td><td>Rec(C)</td><td>Rec(C\7)</td></tr><tr><td>Type1</td><td>51,076</td><td>524</td><td>305</td><td>955</td><td>252</td><td>30</td><td>150</td><td>95.84</td><td>95.34</td><td>99.48</td></tr><tr><td>Type2</td><td>741</td><td>35,323</td><td>43</td><td>281</td><td>511</td><td>33</td><td>178</td><td>95.18</td><td>95.01</td><td>95.18</td></tr><tr><td>Type3</td><td>816</td><td>642</td><td>9,942</td><td>756</td><td>140</td><td>12</td><td>38</td><td>80.53</td><td>80.25</td><td>99.66</td></tr><tr><td>Type4</td><td>1,257</td><td>1,007</td><td>315</td><td>72,787</td><td>657</td><td>384</td><td>176</td><td>95.04</td><td>94.25</td><td>99.17</td></tr><tr><td>Type5</td><td>541</td><td>1,807</td><td>40</td><td>910</td><td>44.846</td><td>234</td><td>94</td><td>92.52</td><td>91.40</td><td>98.79</td></tr><tr><td>Type6</td><td>182</td><td>182</td><td>119</td><td>905</td><td>201</td><td>4.521</td><td>19</td><td>73.76</td><td>73.41</td><td>99.51</td></tr><tr><td>Type7</td><td>4,784</td><td>2,289</td><td>939</td><td>1,911</td><td>1,268</td><td>196</td><td>55.752</td><td>83.04</td><td>82.85</td><td>99.77</td></tr><tr><td
        colspan=8>계</td><td>91.09</td><td>90.54</td><td>99.39</td></tr></tbody></table>
        <table border><caption>표 7. 방법 3의 형식분류율 및 형식별 문자 인식기의 인식율</caption>
        <tbody><tr><tr><td>In
        Out</td><td>Type1</td><td>Type2</td><td>Type3</td><td>Type4</td><td>Type5</td><td>Type6</td><td>Type7</td><td>Rec(T)</td><td>Rec(C)</td><td>Rec(C/T)</td></tr><tr><td>Type1</td><td>53,259</td><td>1</td><td>17</td><td>5</td><td>0</td><td>0</td><td>10</td><td>99.94</td><td>98.88</td><td>98.94</td></tr><tr><td>Type2</td><td>0</td><td>37,092</td><td>0</td><td>1</td><td>2</td><td>0</td><td>15</td><td>99.95</td><td>95.51</td><td>99.95</td></tr><tr><td>Type3</td><td>20</td><td>1</td><td>12,314</td><td>8</td><td>0</td><td>3</td><td>0</td><td>99.74</td><td>98.88</td><td>99.14</td></tr><tr><td>Type4</td><td>30</td><td>25</td><td>15</td><td>76,430</td><td>12</td><td>45</td><td>26</td><td>99.80</td><td>98.20</td><td>98.39</td></tr><tr><td>Type5</td><td>1</td><td>34</td><td>1</td><td>6</td><td>48,377</td><td>21</td><td>32</td><td>99.80</td><td>97.64</td><td>97.83</td></tr><tr><td>Type6</td><td>0</td><td>1</td><td>7</td><td>58</td><td>5</td><td>6,058</td><td>0</td><td>98.84</td><td>97.52</td><td>98.66</td></tr><tr><td>Type7</td><td>8</td><td>14</td><td>1</td><td>5</td><td>3</td><td>2</td><td>67.106</td><td>99.95</td><td>99.14</td><td>99.19</td></tr><tr><td
        colspan=8>계</td><td>99.86</td><td>98.61</td><td>98.76</td></tr></tbody></table>
        <p>방법 1, 2, 3의 결과로 보아, 인쇄체 문자인식에 있어서 방향각도 특징을 입력으로 하는 MLP 신경망 형식분류기는 \(
        99 \% \) 이상의 분류율로 자소 조합 방식을 기반으로 하는 문자의 형식분류에 적절하여, 형식 대분류 후 문자 상세인식 전략을
        사용하는 방법에 매우 유용하게 사용될 수 있음을 알 수 있다. 또한 각 형식이 알려진 후의 문자인식에 있어서도 마찬가지로 방향각도
        특징을 입력으로 하는 2단계 MLP 신경망 인식 방법이 \( 98 \% \) 이상의 인식율을 보여 유용하게 사용될 수 있음을 알
        수 있다. </p> <p>단순 스위칭 방법과 통합 방법을 혼용하여, 형식분류기의 1순위 분류결과뿐만 아니라 2순위 형식에 대해서도
        인식을 하여 보다 높은 신뢰도값을 가지는 문자클래스를 인식 결과로 하는 방법인 방법 4, 5, 6, 7에 대한 문자인식 결과를
        방법 1, 2, 3의 결과와 함께<그림 11>에 나타내었다. 방법 5와 7이 \( 98.65 \% \) 의 인식율로 가장 높은
        인식율을 보였는데, 각각 방법 4와 6에 문자인식 신뢰도값을 형식분류기의 결과값으로 가중화한 방법으로 방법 3의 경우에서처럼
        형식분류기의 분류결과값이 문자인식율의 향상에 도움이 되었다는 것을 나타내는 것이다. 방법 6과 7은 방법 4와 5의 변형으로
        형식분류기 \( \mathrm{TR} \)의 출력값이나 \( \mathrm{CR} \) 문자인식기의 신뢰도 값이 임계치( \(
        \beta \) ) 보다 낮을 경우에만 2순위 형식의 \( \mathrm{CR} \)을 선택적으로 호출하였다. <그림 11>에서
        나타났듯이, 형식분류기와 문자인식기의 인식결과가 의심스러운 경우만 호출한 방법 6과 7이 무조건적으로 2순위 형식에 대해서도
        인식한 방법 4와 5에 비해 성능이 우수함을 알 수 있다. </p>
      - >-
        <h1>요 약</h1><p>본 논문에서는 표면 Texturing 방법 중 습식 에칭법을 이용하여 태양전지에 사용되는 전극의 표면을
        거칠게 처리하였고, 표면 처리 후 \( \mathrm{TiO}_{2} \) 산화물 반도체를 사용한 염료 감응 태양전지를
        제작하였다. 표면 처리된 전극을 에칭 시간에 따른 분광특성을 측정 분석하였으며, 에칭 시간에 따라 제작한 \(
        \mathrm{TiO}_{2} \) 염료 감응 태양전지의 전기적 특성을 평가함으로써 표면 처리에 따른 태양전지의 효율 향상에 관한
        연구를 진행하였다. 결과적으로 전극 표면을 10 분간 에칭 처리한 태양전지의 경우 기존 효율과 비교하였을 때, 약 \(
        27.46[\%] \) 개선됨을 확인할 수 있었다. </p><h1>I. 서론</h1><p>태양전지 산업에서 주로 단결정 및 다결정
        실리콘계 태양전지가 높은 시장 점유율을 보이지만, 실리콘 태양전지는 높은 제조단가, 복잡한 제조공정 등의 측면에서 경쟁력이 다소
        떨어져 어려움을 겪는 실정에 놓여있다. 이에 이를 대체할 여러 태양전지 중에서 염료 감응 태양전지가 개발되어 지속적인 연구가
        진행되고 있다. </p><p>염료 감응 태양전지의 경우에는 제조단가가 실리콘의 \(5\) 분의 \(1\) 수준에 불과하며, 다양한
        색상구현, 유연성 및 투명성 등의 다양한 응용 가능성으로 상용화에 유리한 특징을 지니고 있어 차세대 태양전지로 불린다. 하지만
        이러한 여러 장점에도 불구하고 염료 감응 태양전지가 상용화되어 제품으로 생산되기 위해서는 태양전지의 효율이 더욱 개선되어야 하는
        연구과제가 남아 있는 상태이다. 이러한 염료 감응 태양전지의 효율을 향상하는 방안으로는 나노입자의 산화물 반도체의 입자크기,
        결정성, 표면 상태 조절 기술 등의 개발과 나노입자 산화물 반도체 표면과의 견고한 결합력을 가지며 넓은 범위 파장을 흡수할 수
        있는 염료의 개방 등 나노입자 산화물 반도체에 관한 연구가 필요하다. 또 입사되는 빛이 태양전지 표면을 통해 전지 내부로 모두
        투과되지 못하고 표면에서 반사되면서 발생하는 광학적 손실을 줄이기 위한 대책도 연구 개발 이루어져야 한다. </p><p>본 연구는
        이전 논문에서 다룬 결과를 바탕으로 DSSC(Dye-Sensitized Solar Cell)에 대표적으로 사용되는 \(
        \mathrm{TiO}_{2} \) 산화물 반도체를 이용하여 태양전지를 제작하고, 추가로 태양전지 상층 표면에서의 반사손실을
        감소시키기 위해 FTO(Fluorine doped Tin Oxide) 유리 기판을 표면 처리하여 광 전극으로 전달되는 빛의 양을
        증가시켜 효율을 개선하고자 하였다. 유리 기판의 표면 처리는 공정 과정이 매우 간단하고, 컨트롤하기 쉬우며, 가격이 저렴한 습식
        에칭을 이용하였다. 이렇게 표면 처리한 전극과 염료 감응 태양전지의 최적 조건을 얻기 위해서 Sample을 광학적, 전기적 특성을
        연구하였다. </p>
      - >-
        <h1>2. 설계 내용</h1> <p>이번 연구에서는 기존에 연구되었던 켄틸리버의 길이및 추의 무게에 직접적으로 의존하지 않고
        켄틸리버의 구조적 형상에 따라 상용 압전소자(PI사의 DuraAct)로부터 최대의 전력을 산출하는 것이 목적이다. 따라서
        직사각형과 사다리꼴 구조를 Solidworks의 변형률 해석을 통해 표면의 변형률을 확인하였다. </p> <h2>2.1. 캔틸레버
        설계 변수 설정</h2> <p>캔틸레버의 재료는 Aluminum 5052로 정했으며, 두께는 0.8 \(\mathrm{mm}\),
        길이는 135 \(\mathrm{mm}\), 그리고 폭은 65 \(\mathrm{mm}\)의 동일한 크기로 설정했으며 사다리꼴
        구조는 삼각형과 최대한가깝도록 무게추 부착을 위한 10 \(\mathrm{mm}\)만 남겨놓았다. 전체적인 캔틸레버 크기는
        사용되는 DuraAct 압전소자의 크기에 맞춰 선정되었다. 두 가지 캔틸레버의 형상은 Fig. 1와 같다. </p>
        <h2>2.2. Solidworks 변형률 해</h2> <p>Solidworks 프로그램을 활용하여 압전소자가 부착될 켄틸리버
        표면의 길이방향 변형률을 분석해 보았다. 표면변형률을 평균적으로 분석하기 위해 켄틸리버 중심점 노드를 각각 비교해 보았다.
        Fig. 2의 색깔에 따른 표면 변형률을 직접 비교하기가 힘드므로 Fig. 3에서 그래프로Fig. 2 에 표시된 방향대로 표면에
        변형율을 나타내었다. </p> <p>Fig. 3의 그래프를 보면 알수 있듯이 직사각형 캔틸레버보다 삼각형에 가까운 사다리꼴
        캔틸레버가 더 많은 표면 변형량을 보였고, 이 표면상에 압전소자가 있다면 더많은 전력량을 수확할 수 있을 것이다. 이러한 결과에
        기대를 하여 같은 형상으로 캔틸레버를 제작하여 에너지 수확에 대한 실험을 계획하였다. </p> <h2>2.3. Solidworks
        고유 진동수 해석</h2> <p>Solidworks 해석 프로그램을 통해서 켄틸리버의 고유진동수를 예측하였다 (Fig. 4).
        그리하여 실험시 Shaker를 통해 진동을 발생시킬 때 실험 횟수를 최소화하며 켄틸리버가 최대로 진동할 수 있는 주파수를 찾을 수
        있었다. 더불어 켄틸리버 자유단에 추(10 \(\mathrm{g}\), 20 \(\mathrm{g}\))를 설치함으로써
        고유진동수를 낮출 수 있었다. </p> <table border><caption>Table 1. Natural frequency
        of each cantilever with different weights</caption> <tbody><tr><td>구
        분</td><td>Type1</td><td>Type2</td></tr><tr><td>10 g</td><td>29.55
        Hz</td><td>28.76 Hz</td></tr><tr><td>20 g</td><td>22.77 Hz</td><td>20.92
        Hz</td></tr></tbody></table>
  - source_sentence: 예측 방법론에서는 어떤 데이터를 대상으로 해?
    sentences:
      - >-
        인공지능을 통한 기상현상의 예측은 비교적 최근 들어 연구가 진행되었기 때문에 크게 기계학습 기법과 딥러닝 기법을 이용하여
        기상현상을 예측하려는 시도가 이루어져 왔으며, 다양한 장소에서 수집되는 데이터에 대한 전처리 및 학습 데이터에 대한 품질 관리가
        매우 중요하다. 인공지능을 통해 기상 현상을 예측하고자 하는 경우, 예측 알고리즘을 통해 문제 해결을 도모할 수 있으며, 데이터의
        품질 관리에 있어서 분류 알고리즘을 이용할 수 있다. 빅데이터의 활용에 있어서, 데이터베이스마다 기준 정보가 동일하지 않기 때문에
        데이터 정제 시 기준 정보를 표준화 하는 것이 중요하며, 통합 DB 설계 시 1) 공통된 규칙을 가지도록 하고, 2) 데이터
        무결성이나 성능 상의 이슈 없는 구조적으로 설계되며, 3) 설계된 데이터베이스에 대한 제대로 된 관리 체계가 보장 되도록 해당
        내용을 고려해야 한다.
      - >-
        <h1>II. 본론</h1><h2>1. 예측 방법론</h2><p>예측 방법론에서 사용하는 데이터는 사전에 수집된 과거 데이터나
        제한된 데이터를 대상으로 하므로 예기치 않은 사회적 이슈와 미세먼지와 같이 새롭게 주목을 받는 요인들은 체계적으로 수집되어 있지
        않은 경우가 많다. 이런 한정적인 데이터를 이용한 예측은 각 데이터의 영향력이 과대평가될 수있으므로 미래의 예측값의 오차를 크게
        할 수 있다. 연속적이거나 이산되어 있는 입력데이터들의 차이도 적절한 결과를 예측하기에 문제가 될 수 있다. </p><p>이러한
        예측 방법론이 가진 오차와 한계에도 불구하고 예측의 긍정적인 효용성 때문에 최근 등장하고 있는 빅데이터 기반의 머신러닝 등의
        방법론을 통한 노력이 꾸준히 진행되고 있다. </p><h3>가. 선형회귀분석</h3><p>선형회귀분석은 벡터 독립변수 \( x
        \) 와 스칼라 종속변수 \( y \) 의 관계를 정량적으로 분석하여 가장 비슷한 예측값 \( \hat{y} \) 을 도출하는
        방법론이다. </p><p>\[ \hat{y}=f(x) \approx y \]</p><p>선형회귀분석을 위해서는 각 변수의 존재를
        사전에 파악할 필요가 있다. 관중수 예측에서 선형 회귀 분석(다중회귀분석)을 사용할 경우, 관중수에 영향을 미치는 변수를 어느
        정도 알 수 있어야 하므로 예측 결과값이 총관중수와 같은 평균값 도출에는 적합하지만, 구역별 관중수 등을 세밀하게 예측값을
        도출해야 할 경우에는 입력 변수 및 데이터의 한계로 결과값에 오차가 커질 수 있다. </p><h3>나.
        시계열분석</h3><p>시계열분석 방법은 양적 예측밥법으로 과거의 데이터를 시간에 따른 변화를 파악하여 예측값을 도출하는
        방법론이다. 시계열 분석방법에는 지수평활법, 자기회귀법, ARIMA법이 있다. 지수평활법은 과거 데이터 영향력의 차이를 줄이기
        최신 자료에 가중치를 주어서 예측값을 도출하는 방법이다. 자기회귀법은 과거 데이터가 미치는 영향력을 어느 정도 제거하여 예측값을
        도출하는 방법이다. ARIMA법은 시계열 분석 방법의 대표적인 방법으로써, 시계열 자료의 자기 상관 특성을 이용한다. 이와 같은
        다양한 시계열분석 방법론을 이용한 예측은 통상 오랜 기간의 데이터가 있을 때 사용한다. </p><p>시계열 분석(지수평활,
        자기회귀, ARIMA) 방법론을 관중수 예측에 활용하려면 오랜 기간의 관중수 데이터가 있어야 한다. 새로운 이벤트의 경우 누적
        데이터가 부족하기 때문에 원하는 관중수 예측값을 도출하는데는 한계가 있을 수 밖에 없다. </p><h3>다.
        시뮬레이션</h3><p>시뮬레이션(수학적 모델링) 기법은 기업의 비즈니스 로직을 수학적으로 구축하여 컴퓨터 시뮬레이션을 통해
        예측값을 도출하는 방법이다. 보통 물류, 유통 등 비즈니스 로직을 세세히 잘 알고 있을 때 사용한다. 시뮬레이션 기법은 최적의
        우편물 배달 경로 도출과 같이 통계적이거나 수학적인 분석으로는 정확한 예측 값을 주어진 시간 내에 도출할 수 없을 때 주로
        사용한다. </p><p>시뮬레이션(수학적 모델링) 기법은 관중수에 영향을 미치는 비즈니스 로직을 정확히 파악하고 있을 때 사용할
        수 있다. 아직 프로야구 관중수에 영향을 미치는 요인에 대한 연구나 세밀한 비즈니스로직을 분석한 결과가 많지 않아서 관중수 예측에
        적용하기는 쉽지 않을 것이다. </p><h3>라. 머신러닝</h3><p>머신러닝이란 주로 빅데이터를 활용해 비선형의 형태로
        결과값을 예측하는 방법이다. 머신러닝 기법은 선형회귀분석 방법론과 달리 사전에 영향을 미치는 변수를 모두 알지 못한 상태에서도
        예측값을 도출할 수 있다. 따라서 빅데이터 형태로 자료를 수집할 수 있고, 예측하지 못한 변수들이 종종 등장하는 경우에 적절히
        활용할 수 있다. 다만 실제 분석시간보다 데이터를 컴퓨터가 이해하기 쉽도록 정제하는 시간이 더 많이 걸릴 수가 있고, 분석방법론에
        따라 예측값이 달라지는 한계도 존재한다. </p><p>머신러닝 방법론은 빅데이터를 활용해 비선형의 형태로 관중 수를 예측할 때
        사용할 수 있다. 또한 예측 못한 변수가 있더라도 데이터의 학습을 통하여 어느 정도 예측값을 도출하는 것이 가능하다. 따라서
        현재의 제한된 기간에 수집된 빅데이터를 활용하여 예측값을 도출하기에 최적의 방법론으로 볼 수 있다. </p>
      - >-
        <h2>2. 서비스 구성기법</h2><p>서비스 구성기법은 사용자가 원하는 서비스를 적절히 제공할 수 있는 디바이스를 선택하여
        서비스 세션을 구성하는 것이다. 또한 서비스 세션을 위해 선택되는 디바이스는 사용자의 위치나 업무, 서비스가 요청되는 시기에 따라
        수시로 변하게 된다. 이러한 서비스 구성 기법은 사용자에게 요청하는 서비스에 대해서 사용자가 만족할 수 있는 품질을 제공할 수
        있어야 하며, 끊김없는 서비스 제공을 위해 사영가능한 디바이스를 미리 예약하여 사용자가 서비스 요청시 서비스 제공시간을 줄일
        필요도 있다. 그리고 서비스 예약기법은 사용자의 priority나 스케줄 및 이동성 정보 등의 상황 정보를 기반으로 예측형 서비스
        예약 구성기법이 가능해야 한다. 이러한 동적인 서비스 구성기법을 통해 사용자는 어디에서나 언제든지 원하는 서비스를 제공받을 있게
        함으로써 서비스 가용성을 높일 수 있게 한다. </p><p>지능적인 서비스 구성을 위해서 공간내의 디바이스들은 사용자가 원하는
        서비스를 적절히 제공할 수 있는지 여부를 판별하기 위한 서비스 컴포넌트를 가져야 한다. 즉 하나의 어플리케이션 서비스는 다양한
        서비스 컴포넌트들의 조합을 통해 제공될 수 있다. 예를 들어 동영상을 보기 위해서는 동영상을 보여줄 수 있는 디스플레이 부분과
        음성을 재생할 수 있는 오디오와 같은 서비스 컴포넌트들이 제공되어야 사용자에게 적절한 어플리케이션 서비스를 제공할 수 있는
        것이다. 이러한 서비스 컴포넌트는 디바이스가 가지는 다양한 서비스 컴포지션(service composition)을 정의하는 방법에
        의존적이며, 참고문헌 [7\(\sim\)9]에서와 같이 다양한 프로젝트들을 통해 활발히 연구가 진행되고 있다. 이러한 서비스
        컴포넌트는 재사용이 가능하며, 서로 다른 컴포넌트간의 협업을 통해 보다 나은 서비스를 제공할 수도 있다. 이러한 서비스 컴포넌트를
        활용하여 퍼스널 서버는 어플리케이션 서비스를 적절하게 제공할 수 있는 후보 디바이스를 찾아 서비스 구성 테이블을 생성하여 관라해야
        한다. 그리고 각 서비스 구성리스트는 사용자에게 보다 나은 서비스 질을 제공할 수 있는 우선순위에 따라 구성된다. 표 1 은
        어플리케이션 서비스에 따른 서비스 구성 테이블 예를 보여준다. </p><h2>3. 기존의 접근제어 및 서비스 구성기법의
        문제점</h2><p>그림 2에서 보는 바와 같이 접근모드가 group mode 일 때 여러 퍼스널 서버들이 자신에게 주어진
        권한내에서 공간내의 인섭 디바이스를 이용하고자 할 때 임의의 사용자에 의해 디바이스가 사용되고 있어 주변의 다른 사용자가 공유된
        디바이스로 서비스를 받지 못하는 서비스 충돌 현상이 발생할 수 있다. 예를 들어 PS 1은 무선 인터페이스로 UWB를 사용하며,
        PS2는 802.11기반의 WLAN을 사용한다. 또한 공간내에는 각각의 무선 인터페이스에 대한 AP 가 설치되어 있다고 가정하자.
        이때 PS 1이 Digital TV를 통해 VOD 서비스를 제공받고 있다. 이 경우 PS 2 가 동일한 서비스를 Digital
        TV 에 요청하면 무선링크 계층에서 인지할 수 없는 어플리케이션 계층에서의 서비스 충돌이 발생한다. 이러한 서비스 충돌로 인해
        퍼스널 서버는 불필요한 메시지를 발생시켜 비효율적으로 배터리를 소모한다. </p><p>또한 서비스 컴포넌트 기반으로 어플리케이션
        서비스를 적절히 제공할 수 있는 후보 디바이스를 통해 서비스를 제공받을 때 그림 3에서 보듯이 우선순위가 높은 후보 디바이스에게
        먼저 서비스 요청 메시지를 보내게 된다. 이때 서비스 요청메시지를 받은 디바이스가 사용 중일 때 사용자는 차선책인 디바이스에게
        서비스 요청 메시지를 보내게 된다. 이러한 불푈요한 서비스 요청 메시지를 주고받는 데 걸리는 시간은 사용자에게 서비스를 제공하는데
        지연을 발생시킨다. </p>
  - source_sentence: 이수화 상에서는 물과 반응하여 페로브스카이트 소재의 분해를 야기하는 원인이 뭐야?
    sentences:
      - >-
        <h1>요 약</h1><p>본 논문에서는 Electrocorticogram(ECoG) 신호를 이용하여 손과 팔꿈치의 움직임을
        추론하는 방법을 제안한다. 환자로부터 다수의 채널을 이용하여 표면 근전도 신호와 ECoG 신호를 동시에 취득하였다. 추론하는
        동작은 손을 쥐었다 펴는 동작과 팔꿈치를 안으로 굽히는 동작이며, 외부 자극에 의해 동작을 수행하는 방법 대신 환자의 자유의지에
        의해 동작을 수행하게 하였다. 표면 근전도 신호를 이용하여 동작을 수행한 운동 시점을 찾고, ECOG 신호를 이용하여 동작을
        추론한다. 각 동작의 특징을 추출하기 위하여 ECoG 신호를 전체 대역을 포함한 \( \delta, \theta, a \), \(
        \beta, \mathrm{y} \) 총 6 개의 대역을 나누어 정보 엔트로피를 구하고, 최대우도추정법을 사용하여 동작을
        추정하였다. 실험 결과 감마대역의 ECOG를 사용할 경우 다른 대역을 사용할 때 보다 높은 평균 \( 74 \% \) 의 성능을
        보이며, 다른 대역보다 감마 대역에서 높은 추정 성공률을 보였다. 또한 운동 시점을 기준으로 3 개의 시간 구간으로 나누어
        준비전위를 포함하는 'before' 구간과 'onset' 구간을 비교하였다. 'before' 구간과 'onset' 구간에서 추정
        성공률은 각각 \( 66 \% \), \( 65 \% \) 로 준비전위를 이용할 수 있다는 것을 알 수 있었다. </p>
      - >-
        효율이 높고 광안정성이 우수한 페로브스카이트 태양전지 소재/소자 기술 개발 - 고효율(21.2%)과 고안정성(1,000시간
        유지)을 모두 만족하는 페로브스카이트 태양전지용 핵심 소재 및 저비용 제조 기술 개발-

        □ 이번 연구에서는 이전 연구성과(구조, 공정, 신조성 기술)를 기반*으로 이종접합** 페로브스카이트 태양전지의
        고효율화(21.2%)와 높은 광안정성(자외선 포함한 광조사에서 1,000시간 이상 안정한 효율 유지)을 모두 만족하는 광전극
        소재를 저온(기존 900 ℃이상 고온 → 200 ℃이하) 에서 합성하는 방법을 개발하였다. *【 연구진 이전 연구성과 】

        ・무-유기 하이브리드 페로브스카이트 태양전지 플랫폼 구조 기술 개발 (Nature Photonics 2013.5) 

        ・매우 균일하고 치밀한 페로브스카이트 박막 제조 신규 용액 공정 기술 개발 (Nature Materials 2014.7) 

        ・고효율을 위한 페로브스카이트 결정상 안정화 신조성 기술 개발 (Nature 2015.1) 

        ・고품질 페로브스카이트 박막 형성을 위한 신규 공정 기술 개발 (Science 2015.6) 등

        ** 이종접합 : 같은 소재간의 접합인 동종 접합과 달리 다른 종류의 소재간의 접합을 의미, 페로브스카이트는 무기물, 유기물,
        무/유기 혼성물 간의 이종접합을 이룸.

        ㅇ 더 나아가서 연속적이며 대량 생산 공정이 가능한“핫-프레싱 (hot-pressing) 공법*”을 새롭게 제안하여, 고효율 /
        고안정성 / 저비용의 방법으로 페로브스카이트 태양전지를 제조하는 새로운 태양전지제조 방법론을 제안하였다. * 핫-프레싱 공법 :
        온도와 압력을 가하여 두 물체를 단단히 점착 시키는 방법
      - >-
        <h1>2. 환경적 요인에 의한 페로브카이트 소재 불안정성</h1><h2>2.1. 수분에 의한 안정성 영향</h2><p>유기
        페로브스카이트인 \( \mathrm{MAPbI}_{3} \) 의 \(\mathrm{MA}^{+}\)와
        \(\mathrm{I}^{-}\)는 약한 결합을 하고 있어 이수화 상 (dihydrate phase)에서는 물과 반응하여
        페로브스카이트 소재의 분해를 야기한다. 이는 \( \mathrm{MAPbI}_{3} \) 와 물이 반응하여 생성된 이수화 화합물
        (\( \mathrm{MAPbI}_{3} \cdot \mathrm{H}_{2} \mathrm{O} \)) 이 \(
        \mathrm{CH}_{3} \mathrm{NH}_{2}\), \(\mathrm{HI}\), \(\mathrm{PbI}_{2}
        \) 로 분해되고, 생성된 \( \mathrm{CH}_{3} \mathrm{NH}_{2} \) 와 \( \mathrm{HI} \)
        는 물에 녹아 결국 고상의 \( \mathrm{PbI}_{2} \) 만 남는 것으로 설명할 수 있다. </p><p>무기
        페로브스카이트는 수분에 의한 재결정화 및 표면 결합 리간드의 손실과 분해로 인해 표면에 트랩 준위가 증가하여 발광효율이 감소한다.
        또한 페로브 스카이트 소재는 빛이 없는 상황에서도 물에 의해 소재가 분해되어 안정성이 감소한다. </p><h2>2.2. 빛에 의한
        안정성 영향</h2><p>페로브스카이트 소재가 장시간 빛에 노출되는 경우 광-생성 전하 (photo-generated
        carrier)가 페로브스카이트 소재 표면으로 확산되어 이온성 표면 리간드와 결합한다. 이 과정 중에 몇 개의 리간드들은 용매에
        녹아, 보호되지 않은 면을 중심으로 페로브스카이트 소재끼리 응집하여 발광 효율이 감소한다. 또한 페로브스카이트 소재의 응집 및
        리간드 손실로 인해 트랩 준위가 증가하여 광학적 특성이 현저히 감소된다. pc-LED는 실생활에서 장시간 빛에 노출되기때문에 빛에
        의한 발광 감소 및 소재 안정성 감소는 고연색 발광을 필요로 하는 pc-LED의 적용에 문제가 된다. </p><h2>2.3.
        산소에 의한 안정성 영향</h2><p>페로브스카이트 소재는 빛에 노출된 경우에만 산소와 반응하며 특히 광-생성 전하를 가진
        페로브스카이트 소재는 산소 분자의 영향을 받기 쉽다. 산소 분자가 격자로 확산되어 공공 결함 (vacancy)을 채우게 되고
        광-생성 전자가 전도대에, 정공이 가전자대에 생성된다. 페로브스카이트 소재와 산소가 반응해 \( \mathrm{O}^{2-} \)
        가 생성되어 \( \mathrm{MAPbI}_{3} \) 가 \( \mathrm{PbI}_{2}\),
        \(\mathrm{H}_{2} \mathrm{O}\), \(\mathrm{I}_{2}\), \(\mathrm{CH}_{3}
        \mathrm{NH}_{2} \) 로 분해된다. 이러한 광-산화 (photo-oxidation) 과정으로 페로브스카이트 소재가
        분해되어 안정성이 감소한다. </p><h2>2.4. 열에 의한 안정성 영향</h2><p>열중량분석 (TGA) 분석으로 확인한
        페로브스카이트 소재는 수분과 산소가 없을 때 \( \mathrm{CsPbX}_{3} \) 는 \( 500{ }^{\circ}
        \mathrm{C} \),\( \mathrm{MAPbX}_{3} \) 는 \( 220{ }^{\circ} \mathrm{C} \)
        까지 구조를 유지할 수 있다. 유 · 무기 페로브스카이트는 열에 의해 비교적 높은 안정성을 가지고 있지만 고온에서 페로브스카이트
        소재가 수분과 산소에 반응하면 구조 분해가 더 가속화되어 안정성이 급격히 감소한다. </p><p>또한 고온에서 발광 효율이
        감소하는데 이는 열적으로 활성화된 할로겐 공공 결함에 의해 \(\mathrm{MAPbBr}_{3} \) 는\( 100{
        }^{\circ} \mathrm{C} \) 이상의 온도에서 발광을 거의 보이지 않으며 \( \mathrm{CsPbBr}_{3}
        \) 는 약 \( 80 \% \) 의 발광 손실을 보이는 것으로 확인할 수 있다. </p>
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: BAAI/bge-m3
Maximum Sequence Length: 1024 tokens
Output Dimensionality: 1024 tokens
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 1024, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("seongil-dn/bge-m3-kor-retrieval-451949-bs64-science")
# Run inference
sentences = [
    '이수화 상에서는 물과 반응하여 페로브스카이트 소재의 분해를 야기하는 원인이 뭐야?',
    '<h1>2. 환경적 요인에 의한 페로브카이트 소재 불안정성</h1><h2>2.1. 수분에 의한 안정성 영향</h2><p>유기 페로브스카이트인  $\\mathrm{MAPbI}_{3}$  의  $\\mathrm{MA}^{+}$ 와  $\\mathrm{I}^{-}$ 는 약한 결합을 하고 있어 이수화 상 (dihydrate phase)에서는 물과 반응하여 페로브스카이트 소재의 분해를 야기한다. 이는  $\\mathrm{MAPbI}_{3}$  와 물이 반응하여 생성된 이수화 화합물 (\\( \\mathrm{MAPbI}_{3} \\cdot \\mathrm{H}_{2} \\mathrm{O} \\)) 이  $\\mathrm{CH}_{3} \\mathrm{NH}_{2}$ ,  $\\mathrm{HI}$ ,  $\\mathrm{PbI}_{2}$  로 분해되고, 생성된  $\\mathrm{CH}_{3} \\mathrm{NH}_{2}$  와  $\\mathrm{HI}$  는 물에 녹아 결국 고상의  $\\mathrm{PbI}_{2}$  만 남는 것으로 설명할 수 있다. </p><p>무기 페로브스카이트는 수분에 의한 재결정화 및 표면 결합 리간드의 손실과 분해로 인해 표면에 트랩 준위가 증가하여 발광효율이 감소한다. 또한 페로브 스카이트 소재는 빛이 없는 상황에서도 물에 의해 소재가 분해되어 안정성이 감소한다. </p><h2>2.2. 빛에 의한 안정성 영향</h2><p>페로브스카이트 소재가 장시간 빛에 노출되는 경우 광-생성 전하 (photo-generated carrier)가 페로브스카이트 소재 표면으로 확산되어 이온성 표면 리간드와 결합한다. 이 과정 중에 몇 개의 리간드들은 용매에 녹아, 보호되지 않은 면을 중심으로 페로브스카이트 소재끼리 응집하여 발광 효율이 감소한다. 또한 페로브스카이트 소재의 응집 및 리간드 손실로 인해 트랩 준위가 증가하여 광학적 특성이 현저히 감소된다. pc-LED는 실생활에서 장시간 빛에 노출되기때문에 빛에 의한 발광 감소 및 소재 안정성 감소는 고연색 발광을 필요로 하는 pc-LED의 적용에 문제가 된다. </p><h2>2.3. 산소에 의한 안정성 영향</h2><p>페로브스카이트 소재는 빛에 노출된 경우에만 산소와 반응하며 특히 광-생성 전하를 가진 페로브스카이트 소재는 산소 분자의 영향을 받기 쉽다. 산소 분자가 격자로 확산되어 공공 결함 (vacancy)을 채우게 되고 광-생성 전자가 전도대에, 정공이 가전자대에 생성된다. 페로브스카이트 소재와 산소가 반응해  $\\mathrm{O}^{2-}$  가 생성되어  $\\mathrm{MAPbI}_{3}$  가  $\\mathrm{PbI}_{2}$ ,  $\\mathrm{H}_{2} \\mathrm{O}$ ,  $\\mathrm{I}_{2}$ ,  $\\mathrm{CH}_{3} \\mathrm{NH}_{2}$  로 분해된다. 이러한 광-산화 (photo-oxidation) 과정으로 페로브스카이트 소재가 분해되어 안정성이 감소한다. </p><h2>2.4. 열에 의한 안정성 영향</h2><p>열중량분석 (TGA) 분석으로 확인한 페로브스카이트 소재는 수분과 산소가 없을 때  $\\mathrm{CsPbX}_{3}$  는  $500{ }^{\\circ} \\mathrm{C}$ ,\\( \\mathrm{MAPbX}_{3} \\) 는  $220{ }^{\\circ} \\mathrm{C}$  까지 구조를 유지할 수 있다. 유 · 무기 페로브스카이트는 열에 의해 비교적 높은 안정성을 가지고 있지만 고온에서 페로브스카이트 소재가 수분과 산소에 반응하면 구조 분해가 더 가속화되어 안정성이 급격히 감소한다. </p><p>또한 고온에서 발광 효율이 감소하는데 이는 열적으로 활성화된 할로겐 공공 결함에 의해  $\\mathrm{MAPbBr}_{3}$  는\\( 100{ }^{\\circ} \\mathrm{C} \\) 이상의 온도에서 발광을 거의 보이지 않으며  $\\mathrm{CsPbBr}_{3}$  는 약  $80$  의 발광 손실을 보이는 것으로 확인할 수 있다. </p>',
    '효율이 높고 광안정성이 우수한 페로브스카이트 태양전지 소재/소자 기술 개발 - 고효율(21.2%)과 고안정성(1,000시간 유지)을 모두 만족하는 페로브스카이트 태양전지용 핵심 소재 및 저비용 제조 기술 개발-\n□ 이번 연구에서는 이전 연구성과(구조, 공정, 신조성 기술)를 기반*으로 이종접합** 페로브스카이트 태양전지의 고효율화(21.2%)와 높은 광안정성(자외선 포함한 광조사에서 1,000시간 이상 안정한 효율 유지)을 모두 만족하는 광전극 소재를 저온(기존 900 ℃이상 고온 → 200 ℃이하) 에서 합성하는 방법을 개발하였다. *【 연구진 이전 연구성과 】\n・무-유기 하이브리드 페로브스카이트 태양전지 플랫폼 구조 기술 개발 (Nature Photonics 2013.5) \n・매우 균일하고 치밀한 페로브스카이트 박막 제조 신규 용액 공정 기술 개발 (Nature Materials 2014.7) \n・고효율을 위한 페로브스카이트 결정상 안정화 신조성 기술 개발 (Nature 2015.1) \n・고품질 페로브스카이트 박막 형성을 위한 신규 공정 기술 개발 (Science 2015.6) 등\n** 이종접합 : 같은 소재간의 접합인 동종 접합과 달리 다른 종류의 소재간의 접합을 의미, 페로브스카이트는 무기물, 유기물, 무/유기 혼성물 간의 이종접합을 이룸.\nㅇ 더 나아가서 연속적이며 대량 생산 공정이 가능한“핫-프레싱 (hot-pressing) 공법*”을 새롭게 제안하여, 고효율 / 고안정성 / 저비용의 방법으로 페로브스카이트 태양전지를 제조하는 새로운 태양전지제조 방법론을 제안하였다. * 핫-프레싱 공법 : 온도와 압력을 가하여 두 물체를 단단히 점착 시키는 방법',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 64
learning_rate: 3e-05
num_train_epochs: 1
warmup_ratio: 0.05
fp16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 64
per_device_eval_batch_size: 8
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 3e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 1
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.05
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: True
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: True
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: False
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
eval_use_gather_object: False
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss
0.0312	1	0.941
0.0625	2	0.9909
0.0938	3	0.7258
0.125	4	0.538
0.1562	5	0.567
0.1875	6	0.4329
0.2188	7	0.4238
0.25	8	0.3989
0.2812	9	0.3825
0.3125	10	0.392
0.3438	11	0.3822
0.375	12	0.3271
0.4062	13	0.3284
0.4375	14	0.3468
0.4688	15	0.3098
0.5	16	0.3332
0.5312	17	0.2871
0.5625	18	0.3132
0.5938	19	0.3172
0.625	20	0.3133
0.6562	21	0.3134
0.6875	22	0.2968
0.7188	23	0.3227
0.75	24	0.2977
0.7812	25	0.3022
0.8125	26	0.2556
0.8438	27	0.3152
0.875	28	0.2597
0.9062	29	0.3088
0.9375	30	0.2702
0.9688	31	0.3415
1.0	32	0.2765

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.2.1
Transformers: 4.44.2
PyTorch: 2.3.1+cu121
Accelerate: 1.1.1
Datasets: 2.21.0
Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}