프로필렌 카보네이트(PC)는 에틸렌 카보네이트(EC)보다 훨씬 낮은 용융점을 갖는 장점이 있지만, 안정한 고체 전해질 계면(SEI)을 형성하기 전에 Li+와 함께 공삽입(cointercalation)되기 때문에 흑연 층의 박리(exfoliation)를 억제할 수 없다. 본 논문에서는 PC 기반 전해질에 첨가제로 2−아이소시아나토에틸 메타크릴레이트(ICEMA)를 도입한다. ICEMA는 이소시아네이트기가 에틸기를 통해 아크릴레이트기와 결합되어 있으며 열중합을 통해 반응하는 양기능성 모노머이다. 이소시아네이트 부분은 초기 충전 과정에서 라디칼로 개시되어 전기중합을 유도하고 PC 라디칼과 반응한다. 라디칼은 전극에서 전 반응에 걸쳐 전파되어 안정한 SEI를 형성한다. 개질된 계면은 Li+−PC의 흑연 전극으로의 공삽입을 억제한다. 또한 in situ 푸리에 변환 적외선 분광법을 통해 이소시아네이트의 중합과 PC 라디칼과의 활성 반응이 효과적으로 관찰되었다. 그 결과, PC 기반 전해질에서 안정한 SEI를 형성하는 반응 메커니즘이 규명되었다.

본 연구는 전압에 따라 고온에서 상용 슈퍼커패시터(SC)의 전기화학적 및 물리화학적 열화 거동을 조사하였다. 충전 상태(2.5 V)로 저장한 후 정전용량은 초기 정전용량의 80 %까지 급격히 감소하였고, 1 kHz에서의 저항은 초기 저항의 2.5배까지 지속적으로 증가하였다. 방전 상태(∼0 V)로 저장한 후 정전용량은 거의 일정하게 유지되었으나, 저항은 4배 이상 증가하였다. 충전 상태에서는 양극의 메조−/미세기공에 산화 생성물이 침착되었다. 이는 양극의 비표면적을 감소시켜 정전용량의 급격한 감소와 SC의 저항 증가로 이어졌다. 방전 상태에서는 전해질 염의 과포화 및 석출이 거시−/메조기공에서의 이온 수송을 방해하고, 전하이동 저항(R ct )을 증가시키며, 이중층 정전용량(C dl )을 감소시켰다. 이러한 현상은 전기화학 임피던스 분광법, 순환전압전류법, 전해질에 대한 in situ FT−IR, N 2 흡착−탈착 분석, 그리고 각 전극에 대한 FE−SEM 이미지로 확인하였다. 마지막으로, 높은 끓는점을 가지되 유전율은 그다지 높지 않은 유기 용매를 적용하여 고온에서 성능과 내구성이 더 우수한 SC를 검증하였다.

생분해성 플라스틱 소재를 개발하기 위한 많은 연구가 활발히 진행되고 있으나, 대부분의 보고는 반응 메커니즘보다는 효율 또는 성능 향상에 더 초점을 두고 있다. 본 논문은 생분해성 플라스틱 분야에서 가장 많이 연구된 전분 변성에 대한 에테르화 및 에스터화의 반응 메커니즘을 논의하였다. 에테르화에 의한 전분 재구성 반응에서는 반응 온도, pH, 용매 및 부산물이 생분해성 플라스틱의 화학적 구조와 물리적 특성에 미치는 영향을 고찰하였다. 에스터화에서는 치환기 구조와 반응 용매를 살펴보았다. 플라스틱을 대체할 수 있는 소재로서, 전분의 활용을 확장할 수 있는 반응 조건 설계에 관한 새로운 아이디어를 도출하는 데 도움이 되는 것을 목표로 한다.

리튬이온전지(LIBs)는 현대 기술에 필수적이지만, 가연성 액체 전해질에 대한 의존은 특히 전기자동차와 대규모 에너지 저장 시스템에서 중대한 안전 문제를 야기한다. 본 논문에서는 LIBs의 안전성과 성능을 모두 향상시키기 위해 Define-Measure-Analyze-Design-Optimize-Verify (DMADOV) 방법론을 활용한 난연(화염 지연) 전해질의 개발을 제시한다. 본 연구는 유기 용매의 특성과 전기화학적 안정성 간의 상관관계를 정의하는 것으로 시작하며, 열폭주를 유발할 수 있는 과충전(overcharging) 위험에 초점을 둔다. 후보 구성 성분에 대해 체계적으로 측정하고 분석함으로써 난연 전해질의 품질에 영향을 미치는 핵심 요인을 규명한다. 설계 단계에서는 전해질의 LIBs 내 성능과 안정성을 보장하기 위해 γ-부티로락톤(γ-BL)의 고체전해질계면(solid electrolyte interface, SEI) 조건을 구축하는 것을 우선시한다. 최적화 단계에서는 초기 설계에서 확인된 성능 문제를 해결하기 위해, 관련 제조 공정을 통합하여 SEI 형성 조건을 추가로 정교화한다. 최종 검증 단계에서는 난연 전해질 조성이 최적화된 SEI 조건과 일치함을 확인하여, 실제 적용을 위한 실행 가능한 전해질 범위를 확립한다. 본 연구는 γ-BL의 사용이 과충전으로 인한 폭발 위험을 현저히 감소시킨다는 것을 보여준다. 또한 최종 검증 단계에서는 난연 전해질 조성이 최적화된 SEI 조건과의 일치를 재차 확인함으로써, 실제 적용을 위한 실행 가능한 전해질 범위를 확립한다. 특히 본 연구는 γ-BL과 같은 고인화점 유기 용매를 사용하는 난연 전해질 개발에서 견고한 SEI 설계의 중요성을 강조하며, 특허 기술에 대한 검증 실험으로 이를 뒷받침한다. 이러한 발전은 LIBs의 안전성 프로파일을 향상시키는 데 그치지 않고, 배터리 성능 개선의 잠재력 또한 보여주어 에너지 저장 솔루션에서의 더 폭넓은 적용을 위한 길을 연다.

리튬이온전지(LIBs)는 현대 기술에 필수적이지만, 가연성 액체 전해질에 의존한다는 점은 특히 전기자동차와 대규모 에너지 저장 시스템에서 중대한 안전 문제를 야기한다. 본 논문에서는 LIBs의 안전성과 성능을 모두 향상시키기 위해 Define-Measure-Analyze-Design-Optimize-Verify (DMADOV) 방법론을 활용한 난연성 전해질의 개발을 제시한다. 본 연구는 유기 용매의 물성 및 전기화학적 안정성 간의 상관관계를 정의하는 것으로 시작하며, 열폭주를 유발할 수 있는 과충전 위험에 초점을 맞춘다. 후보 구성요소에 대한 체계적 측정과 분석을 통해 난연성 전해질의 품질에 영향을 미치는 핵심 요인이 규명된다. 설계 단계에서는 γ-부티로락톤(γ-BL)에 대해 고체전해질계면(solid electrolyte interface, SEI) 조건을 형성하는 것을 우선하여, LIBs에서의 전해질 성능과 안정성을 확보한다. 최적화 단계에서는 초기 설계에서 확인된 성능 문제를 해결하기 위해, 관련 제조 공정을 반영하여 SEI 형성 조건을 추가로 정제한다. 최종 검증 단계에서는 난연성 전해질 조성이 최적화된 SEI 조건과 일치함을 확인함으로써, 실용적 적용을 위한 가능한 전해질 범위를 확립한다. 본 연구는 γ-BL의 사용이 과충전으로 인한 폭발 위험을 현저히 감소시킨다는 것을 보여준다. 최종 검증 단계에서는 난연성 전해질 조성이 최적화된 SEI 조건과 일치함을 다시 확인하여, 실용적 적용을 위한 가능한 전해질 범위를 확립한다. 특히, 본 연구는 γ-BL과 같은 고인화점 유기 용매를 사용하는 난연성 전해질을 개발함에 있어 견고한 SEI 설계의 중요성을 강조하며, 특허 기술에 대한 검증 실험으로 이를 뒷받침한다. 이러한 진전은 LIBs의 안전성 프로파일을 향상시킬 뿐 아니라, 배터리 성능 개선 가능성을 시사하여 에너지 저장 솔루션에서의 더 넓은 적용으로 이어질 수 있음을 보여준다.

대규모 언어 모델(LLM)은 실제 환경에서 널리 적용되고 있으나, 이를 미세조정(fine-tuning)하는 데에는 상당한 계산 및 저장 비용이 수반된다. LoRA와 같은 매개변수 효율적 미세조정(Parameter-Efficient Fine-Tuning, PEFT) 방법은 이러한 비용을 완화하지만, 적응된 매개변수는 기반(base) 모델에 의존하므로 서로 다른 백본(backbone)으로는 전이될 수 없다. 이러한 문제를 해결하는 한 방법은 지식 증류(knowledge distillation)이지만, 그 효과는 본질적으로 학습 데이터에 의존한다. TransLoRA와 같은 최근 연구는 합성 데이터를 생성함으로써 이를 회피하고자 했으나, 추가 판별자(discriminator) 모델을 학습해야 하므로 복잡성이 증가한다. 본 논문에서는 토큰 수준 지식 전이를 통해 효과적인 LoRA 이식(Transplantation)을 가능하게 하는 새로운 프레임워크인 TiTok을 제안한다. 구체적으로, TiTok은 LoRA가 적용된 소스 모델과 적용되지 않은 소스 모델 간의 토큰 단위 대조(contrastive) 초과분(excess)을 통해 과업에 유의미한 정보를 포착한다. 이 초과분은 유익한 토큰을 부각시키며, 추가 모델이나 오버헤드 없이 합성 데이터에 대한 선택적 필터링을 가능하게 한다. 다수의 전이 설정에 걸쳐 3개의 벤치마크에서 수행한 실험을 통해, TiTok이 전반적으로 일관되게 효과적이며 기준선(baselines) 대비 평균 성능 향상이 +4~10%에 이르는 것을 확인하였다.