전자공학과 지망생을 위한
공통수학 II 심화 탐구
"교과서 속 수학이 어떻게 최첨단 기술로 변신하는지 보여줄게."
안녕, 미래의 공학도들.
이치쌤이야.
공통수학 II, 도형의 방정식부터 함수까지 배우면서 '이걸 대체 어디다 써먹지?' 하는 생각, 솔직히 한 번쯤 해봤지?
특히 전자공학과를 꿈꾸면서도 수학과 실제 기술 사이의 연결고리가 희미하게 느껴졌다면 오늘 이 글에 주목해야 해.
네가 무심코 넘겼던 평면좌표, 원의 방정식, 집합과 명제가 사실은 네 스마트폰 터치스크린과 GPS, 반도체의 심장을 뛰게 하는 설계도였다는 걸 알게 될 테니까.
오늘 이 글은 단순한 문제 풀이용 수학을 넘어, 세상을 움직이는 기술의 코드를 해독하는 '진짜 실력'을 네 생기부에 어떻게 새겨 넣을 수 있는지 보여주는 안내서가 될 거야.
정신 바짝 차리고 따라와.
목차
도형의 방정식
- 스마트폰 터치스크린의 좌표 인식 원리
- 위성 항법 시스템(GPS)의 위치 결정 원리
- 반도체 설계(VLSI)의 배선 경로 최적화
- 로봇 팔의 작업 영역(Workspace) 표현
- 이미지 필터링과 컨볼루션(Convolution) 연산
집합과 명제
함수와 그래프
공통수학 II 심화 탐구 주제
스마트폰 터치스크린의 좌표 인식 원리
연계 내용: 평면좌표.
탐구 방향: 네가 매일 쓰는 스마트폰 화면을 한번 생각해 봐.
그 투명한 유리 밑에는 눈에 보이지 않는 X축과 Y축 전극이 촘촘한 격자 형태로 깔려있어.
이게 바로 좌표평면 그 자체야.
우리 몸은 전기가 통하잖아?
손가락이 화면에 닿으면 그 지점의 정전용량(전하를 저장하는 능력)이 미세하게 변하는데, 이걸 컨트롤러가 감지해서 '아, 지금 $(x_1, y_1)$ 좌표가 터치됐구나'하고 알아채는 거야.
여기서 더 나아가면 멀티 터치도 가능해.
두 손가락으로 화면을 확대하는 '핀치 줌' 제스처를 생각해 보자.
시스템은 터치된 두 점 $P_1(x_1, y_1)$과 $P_2(x_2, y_2)$를 인식하고, 두 점 사이의 거리 $d = \sqrt{(x_2-x_1)^2 + (y_2-y_1)^2}$를 실시간으로 계산해.
이 거리 $d$가 시간에 따라 어떻게 변하는지를 보고 화면을 확대할지 축소할지 결정하는 거지.
더 깊이 파고든다면, 두 터치 지점의 중심점 $M(\frac{x_1+x_2}{2}, \frac{y_1+y_2}{2})$을 계산해서 이미지나 지도가 그 점을 중심으로 확대되도록 만들 수 있어.
이처럼 터치스크린은 평면좌표와 점과 점 사이의 거리 공식이 실시간으로 수만 번씩 계산되는 최첨단 수학 계산기나 다름없어.
보고서에 이 원리를 자세히 풀어내면, 수학적 개념이 어떻게 사용자 인터페이스(UI) 기술의 핵심이 되는지 제대로 보여줄 수 있을 거야.
위성 항법 시스템(GPS)의 위치 결정 원리
연계 내용: 원의 방정식 (3차원 확장).
탐구 방향: GPS가 내 위치를 어떻게 알까?
하늘에 떠 있는 위성들과 내 스마트폰이 방정식을 풀고 있기 때문이야.
원리는 간단해.
GPS 위성은 아주 정확한 원자시계를 가지고 "나는 위성 A고, 지금 시각은 00시 00분 00초야"라는 신호를 빛의 속도로 계속 쏴주고 있어.
내 스마트폰은 그 신호를 받아서, 신호에 적힌 시각과 내가 받은 시각의 차이를 계산해.
이 시간 차이에 빛의 속도를 곱하면? 바로 그 위성까지의 '거리'가 나오지.
자, 이제 위성 A에서 거리가 $r_1$인 지점들의 집합은 뭘까?
바로 위성 A를 중심으로 하고 반지름이 $r_1$인 거대한 '구(Sphere)'가 돼.
이것만으로는 내 위치를 모르니, 다른 위성 B에서도 똑같은 방법으로 거리가 $r_2$인 구를 그려.
두 구가 만나면 교선인 '원'이 생기겠지?
여전히 위치를 특정할 수 없어.
그래서 세 번째 위성 C에서 거리가 $r_3$인 구를 하나 더 그리는 거야.
그러면 이 원과 새로운 구가 만나는 점은 단 두 개로 좁혀져.
보통 이 두 점 중 하나는 지구 표면과 동떨어진 우주 공간이라서, 말이 되는 지점이 바로 내 위치가 되는 거지.
이걸 수식으로 표현하면 $(x-a_1)^2 + (y-b_1)^2 + (z-c_1)^2 = r_1^2$, $(x-a_2)^2 + (y-b_2)^2 + (z-c_2)^2 = r_2^2$, $(x-a_3)^2 + (y-b_3)^2 + (z-c_3)^2 = r_3^2$ 이라는 세 개의 구의 방정식을 동시에 만족하는 해 $(x,y,z)$를 찾는 연립방정식 문제가 돼.
실제로는 시간 오차 보정을 위해 4개 이상의 위성을 사용하지만, 기본 원리는 바로 이 도형의 방정식에 있어.
반도체 설계(VLSI)의 배선 경로 최적화
연계 내용: 평면좌표.
탐구 방향: 반도체 칩이라는 건 손톱보다 작은 공간에 수십억 개의 회로를 새겨 넣은 초고밀도 도시와 같아.
이 도시의 성능은 각 건물(회로)들을 잇는 도로(전선)를 얼마나 효율적으로 까느냐에 달려있지.
전선이 너무 길어지면 신호가 전달되는 데 시간이 오래 걸려서 칩의 속도가 느려지고, 전력 소모도 커져.
그래서 칩 설계자들은 두 지점 간의 배선 경로를 최대한 짧게 만드는 데 엄청난 노력을 기울여.
그런데 칩 내부의 배선은 대각선으로 자유롭게 그을 수 있는 게 아니라, 바둑판처럼 가로와 세로 방향으로만 깔리는 경우가 많아.
마치 뉴욕 맨해튼의 도로망처럼 말이야.
이런 환경에서 두 점 $A(x_1, y_1)$과 $B(x_2, y_2)$ 사이의 최단 거리는 우리가 흔히 아는 유클리드 거리($\sqrt{(x_2-x_1)^2 + (y_2-y_1)^2}$)가 아니야.
가로로 $|x_2-x_1|$만큼, 세로로 $|y_2-y_1|$만큼 이동해야 하므로, 최단 거리는 $|x_2-x_1| + |y_2-y_1|$이 돼.
이것을 맨해튼 거리(Manhattan Distance)라고 불러.
반도체 설계 자동화(EDA) 툴은 이 맨해튼 거리를 기반으로 수백만 개의 회로들을 어디에 배치하고 어떻게 연결할지 최적의 해를 찾아내.
평면좌표 위에서 정의되는 이 특별한 거리 개념이 어떻게 반도체의 성능과 생산 효율을 좌우하는지 분석한다면, 수학이 첨단 산업의 근간임을 명확히 보여줄 수 있을 거야.
로봇 팔의 작업 영역(Workspace) 표현
연계 내용: 도형의 이동.
탐구 방향: 공장의 조립 라인에서 일하는 로봇 팔은 정해진 공간 안에서만 움직일 수 있어.
이 로봇 팔의 손 끝이 닿을 수 있는 모든 영역을 작업 영역(Workspace)이라고 하는데, 이 영역을 수학적으로 분석하는 건 매우 중요해.
로봇이 부품을 집을 수 있는지, 다른 기계와 부딪히지 않는지 등을 미리 알아야 하니까.
가장 간단한 2축(2-Link) 로봇 팔을 상상해보자.
어깨에 해당하는 첫 번째 관절(원점 O)에 길이 $r_1$짜리 팔이, 그 끝에 있는 두 번째 관절(점 P)에 길이 $r_2$짜리 팔이 달려있어.
첫 번째 팔이 360도 회전하면, 관절 P는 중심이 원점이고 반지름이 $r_1$인 원, 즉 $x^2+y^2=r_1^2$ 위를 움직여.
이제 관절 P의 위치가 정해졌을 때, 두 번째 팔은 그 점 P를 중심으로 하고 반지름이 $r_2$인 원 위를 움직이겠지?
이건 중심이 $(0,0)$인 원을 점 P의 위치만큼 평행이동한 것과 같아.
결국 로봇 팔의 끝점이 도달할 수 있는 전체 영역은, 중심이 원점이고 반지름이 $r_1$인 원 위의 모든 점들을 각각 중심으로 하여 반지름 $r_2$짜리 원들을 전부 그린 후, 그 원들이 차지하는 공간의 합집합이 되는 거야.
결과적으로 이 로봇 팔의 작업 영역은 중심이 원점이고, 바깥쪽 반지름이 $r_1+r_2$, 안쪽 반지름이 $|r_1-r_2|$인 도넛 모양의 영역이 돼.
이를 부등식으로 표현하면 $|r_1-r_2|^2 \le x^2+y^2 \le (r_1+r_2)^2$ 이지.
도형의 이동과 부등식의 영역 개념을 통해 로봇의 물리적인 한계를 어떻게 수학적으로 명확하게 정의하고 분석하는지 보여주는 아주 좋은 주제야.
이미지 필터링과 컨볼루션(Convolution) 연산
연계 내용: 평면좌표.
탐구 방향: 포토샵이나 스마트폰 앱으로 사진에 필터를 적용하는 건 이제 일상이 됐지?
이미지를 흐리게(블러) 만들거나, 외곽선을 날카롭게(샤프닝) 하는 이 모든 작업의 수학적 심장부에 컨볼루션(Convolution, 합성곱)이라는 연산이 있어.
디지털 이미지는 결국 픽셀이라는 작은 점들이 모인 거대한 좌표 평면이자 행렬이야.
각 픽셀은 $(x,y)$ 좌표와 밝기 값(또는 색상 값)을 가지고 있지.
컨볼루션 연산은 '커널(Kernel)' 또는 '필터'라고 불리는 작은 행렬을 이미지 위에서 한 칸씩 움직여가며 계산하는 과정이야.
예를 들어, 이미지의 특정 픽셀 $(x,y)$를 중심으로 3x3 크기의 주변 픽셀들을 봐.
그리고 3x3 크기의 커널 행렬을 가져와서, 같은 위치에 있는 픽셀 값과 커널 값을 서로 곱한 다음 그 결과를 모두 더해.
이 최종 합계가 바로 결과 이미지의 $(x,y)$ 픽셀의 새로운 값이 되는 거야.
이때 어떤 커널을 사용하느냐에 따라 효과가 달라져.
모든 값이 1/9로 채워진 커널을 쓰면 주변 픽셀 값들이 평균이 되면서 이미지가 부드러워지는 '블러' 효과가 나고, 중심은 양수, 주변은 음수로 된 커널을 쓰면 경계선이 강조되는 '샤프닝' 효과가 나타나.
이 모든 과정에서 기준이 되는 것은 바로 각 픽셀의 좌표야.
좌표계가 없으면 어떤 픽셀과 그 주변 픽셀을 특정해서 연산하는 것 자체가 불가능하지.
평면좌표 개념이 어떻게 이미지 프로세싱이라는 시각적 마법의 기본 뼈대가 되는지 탐구할 수 있는 아주 흥미로운 주제야.
디지털 논리회로와 부울 대수
연계 내용: 집합.
탐구 방향: 컴퓨터가 0과 1만으로 세상의 모든 정보를 처리하는 원리는 뭘까?
그 근본에는 '참(1)'과 '거짓(0)' 두 가지 상태만을 다루는 부울 대수(Boolean Algebra)가 있고, 이건 집합의 연산과 놀라울 정도로 닮아있어.
생각해 봐.
두 조건이 '모두' 참일 때만 결과가 참이 되는 논리곱(AND) 연산은, 두 집합에 '모두' 속하는 원소들의 모임인 교집합($A \cap B$)과 완벽하게 대응돼.
두 조건 중 '하나라도' 참이면 결과가 참이 되는 논리합(OR) 연산은? 당연히 두 집합의 원소를 모두 포함하는 합집합($A \cup B$)과 같지.
참을 거짓으로, 거짓을 참으로 뒤집는 부정(NOT) 연산은 전체집합에서 해당 집합을 제외한 여집합($A^c$)과 똑같아.
CPU 내부에서 일어나는 수십억 번의 연산은 결국 이 세 가지 기본 연산(AND, OR, NOT)을 수행하는 논리 게이트들의 조합으로 이루어져 있어.
복잡한 논리식을 회로로 만들기 전에, 벤 다이어그램을 그려서 집합의 분배법칙이나 드 모르간의 법칙을 이용해 식을 간단하게 만들 수 있다면? 훨씬 더 효율적인 회로를 설계할 수 있겠지.
이처럼 집합론은 디지털 시스템을 설계하고 최적화하는 가장 근본적인 언어야.
가장 추상적으로 보였던 수학 개념이 어떻게 가장 구체적인 컴퓨터 하드웨어의 설계 원리가 되는지 보여주는 강력한 주제가 될 거야.
데이터베이스 검색(Query) 조건과 명제
연계 내용: 명제.
탐구 방향: 우리가 포털 사이트에서 쇼핑할 때 '가격이 5만 원 이하'이면서 '평점이 4.5 이상'인 상품을 필터링하는 상황을 생각해 봐.
이건 정확히 명제 논리를 이용하는 거야.
데이터베이스에서 원하는 정보를 뽑아내는 검색문(Query)은 수많은 명제들의 결합으로 이루어져 있어.
p: '가격이 5만 원 이하이다', q: '평점이 4.5 이상이다' 라는 두 명제가 있을 때, 우리가 원하는 조건은 바로 논리곱(AND)으로 연결된 'p∧q'야.
만약 '브랜드가 A'이거나 'B'인 상품을 찾는다면, 이건 논리합(OR)을 사용하는 거지.
더 나아가, '만약(IF) 재고가 있으면(p) 주문을 받는다(q)' 와 같은 프로그램의 로직은 조건명제 'p→q'와 완벽하게 동일한 구조를 가져.
데이터베이스 관리 시스템(DBMS)은 사용자가 입력한 복잡한 검색 조건을 받아서, 더 효율적인 명제 형태로 재구성하고 최적화하는 과정을 거쳐.
예를 들어, 어떤 조건이 항상 참이거나 항상 거짓인 부분을 미리 제거해서 불필요한 검색을 줄이는 거야.
이를 통해 검색 속도를 획기적으로 향상시킬 수 있어.
우리가 매일 사용하는 모든 서비스의 데이터 검색 이면에는 이처럼 차가운 명제 논리가 매우 뜨겁게 작동하고 있다는 사실을 분석해 봐.
소프트웨어의 효율성이 논리적 사고에서 비롯된다는 점을 어필할 수 있는 최고의 주제야.
반도체 수율(Yield) 향상과 필요충분조건
연계 내용: 명제.
탐구 방향: 반도체 산업의 성패는 '수율(Yield)'에 달려있다고 해도 과언이 아니야.
수율이란, 한 장의 웨이퍼에서 만들어낸 칩 중에서 정상적으로 작동하는 칩의 비율을 의미해.
수율을 1% 올리는 것이 수천억 원의 가치를 가지기도 하지.
엔지니어들은 이 수율을 높이기 위해 수백 개의 공정 변수들(온도, 압력, 시간, 가스 농도 등)을 관리하는데, 이때 명제 논리가 아주 강력한 분석 도구가 될 수 있어.
예를 들어, p: '증착 공정의 온도를 300℃로 유지한다', q: '수율이 95% 이상이다' 라는 두 명제를 생각해 보자.
만약 온도를 300℃로 유지했을 때 항상 수율이 95% 이상이라면 ($p \rightarrow q$가 참), p는 q이기 위한 충분조건이야.
만약 수율이 95% 이상인 칩을 보니 예외 없이 온도가 300℃로 유지되었다면 ($q \rightarrow p$가 참), p는 q이기 위한 필요조건이 되겠지.
만약 이 둘이 모두 성립한다면? 그건 바로 p가 q이기 위한 필요충분조건이고, 우리는 수율을 결정하는 '핵심 변수'를 찾아낸 거야.
물론 실제 공정은 훨씬 복잡하지만, 수많은 데이터 속에서 어떤 변수가 결과에 결정적인 영향을 미치는지 논리적으로 추론하고 인과관계를 밝히는 과정은 바로 이 필요충분조건을 찾아가는 과정과 같아.
복잡한 공학 문제 해결의 핵심이 논리적 사고에 있음을 보여줄 수 있는, 깊이 있는 주제야.
아날로그-디지털 변환(ADC)과 이산 함수
연계 내용: 함수.
탐구 방향: 우리가 사는 세상의 모든 신호, 예를 들어 내 목소리나 햇빛 같은 것들은 끊김 없이 연속적으로 변하는 아날로그 신호야.
이건 정의역이 실수 전체인 '연속 함수' $f(x)$와 같아.
하지만 컴퓨터나 스마트폰은 이런 연속적인 값을 이해하지 못하고, 오직 0과 1로 이루어진 띄엄띄엄 떨어진 디지털 신호만 처리할 수 있지.
이 디지털 신호는 정의역이 정수인 '이산 함수' $f(n)$과 같다고 볼 수 있어.
아날로그-디지털 변환(ADC)은 바로 이 연속 함수를 이산 함수로 바꾸는 과정이야.
그 핵심은 '샘플링(Sampling)'인데, 일정한 시간 간격(예: 1초에 44,100번)으로 연속 신호의 특정 순간의 값(함숫값)을 콕콕 찍어서 숫자로 저장하는 거야.
마치 $y=sin(x)$ 그래프 위에 $x=1, 2, 3, ...$ 일 때의 점들만 남기는 것과 같지.
여기서 중요한 질문이 생겨.
얼마나 촘촘하게 샘플링해야 원래 신호의 정보를 잃어버리지 않을까?
이것이 바로 '나이퀴스트-섀넌 샘플링 정리'의 핵심 내용이야.
이 정리는 원본 신호가 가진 최고 주파수의 2배 이상으로 샘플링하면 정보를 손실 없이 복원할 수 있다고 말해줘.
모든 디지털 음원, 영상, 통신 기술의 가장 근본적인 전제가 되는 이 변환 과정에서 함수와 이산 함수의 개념이 어떻게 활용되는지 깊이 있게 탐구해 봐.
통신 신호 감쇠(Attenuation)와 함수 모델링
연계 내용: 유리함수와 무리함수.
탐구 방향: 와이파이 공유기에서 멀어질수록 인터넷 속도가 느려지는 경험, 다들 있지?
이건 전파 신호가 공기라는 매질을 통과하면서 에너지를 잃고 세기가 약해지기 때문인데, 이걸 신호 감쇠(Attenuation)라고 해.
엔지니어는 이 감쇠 현상을 정확히 예측해야 통신 시스템을 안정적으로 설계할 수 있어.
이때 수학적 모델링이 필요하지.
이상적인 자유 공간에서 신호의 세기는 거리의 제곱에 반비례해.
이걸 함수로 표현하면 $P(d) = \frac{k}{d^2}$ (여기서 P는 신호 세기, d는 거리, k는 상수) 꼴의 유리함수가 돼.
그래프를 그려보면 거리가 멀어질수록 신호 세기가 급격하게 떨어지는 것을 볼 수 있지.
하지만 실제 환경에서는 장애물이나 전파 간섭 때문에 더 복잡한 형태로 감쇠가 일어나.
이런 복잡한 현상을 설명하기 위해 $\frac{a}{\sqrt{d}+b}$ 같은 무리함수나 다른 여러 함수들을 조합해서 실제 데이터와 가장 유사한 모델을 만들어내는 거야.
이렇게 만들어진 함수 모델이 있으면, "신호 세기가 최소 수신 감도 이하로 떨어지기 전에, 즉 d가 특정 값 이상이 되기 전에 신호를 다시 증폭시켜주는 중계기를 설치해야 한다" 와 같은 구체적인 설계 결정을 내릴 수 있게 돼.
유리함수와 무리함수가 어떻게 통신 품질을 예측하고 인프라를 설계하는 데 쓰이는지 보여주는 현실적인 주제야.
반도체 소자 특성 곡선과 함수의 그래프
연계 내용: 함수와 그래프.
탐구 방향: 모든 현대 전자회로의 심장에는 다이오드나 트랜지스터 같은 반도체 소자가 있어.
이 소자들이 특별한 이유는, 입력(전압)에 따라 출력(전류)이 정직하게 비례하지 않고 아주 독특한 방식으로 반응하기 때문이야.
이 독특한 관계를 한눈에 보여주는 것이 바로 전압-전류 특성 곡선(I-V Curve)인데, 이건 말 그대로 함수의 그래프야.
예를 들어, 다이오드는 특정 전압(문턱 전압) 이하에서는 전류가 거의 흐르지 않다가(그래프가 x축에 붙어있다가), 그 전압을 넘어서는 순간 전류가 기하급수적으로 증가하는 그래프 형태를 보여줘.
이 특성 때문에 교류를 직류로 바꾸는 '정류 작용'이 가능한 거야.
컴퓨터의 스위치 역할을 하는 MOSFET 트랜지스터는 더 재미있어.
게이트라는 단자에 특정 전압 이상을 걸어주면(입력), 드레인과 소스 사이에 전류가 흐를 수 있는 길이 열리면서(출력) 'ON' 상태가 돼.
이 'ON/OFF' 스위칭 동작 전체가 입력 전압에 따른 출력 전류의 변화를 나타내는 함수의 그래프로 완벽하게 설명될 수 있어.
전자회로를 분석하고 설계한다는 것은 결국 이 소자들의 함수적 관계를 이해하고, 여러 함수의 그래프를 조합하여 원하는 동작을 만들어내는 과정이라고 할 수 있어.
가장 기본적인 전자 부품의 동작 원리가 함수의 그래프에 담겨있음을 탐구해 봐.
시스템 안정성 판별과 보드 선도(Bode Plot)
연계 내용: 함수와 그래프.
탐구 방향: 전투기, 로봇, 심지어는 이어폰의 노이즈 캔슬링 회로까지, 세상의 많은 시스템들은 안정적으로 작동해야 해.
입력에 대해 출력이 폭주하지 않고 제어가 가능해야 한다는 뜻이야.
이 '안정성'이라는 중요한 특성을 어떻게 수학적으로 분석할 수 있을까?
제어공학에서는 보드 선도(Bode Plot)라는 아주 강력한 그래프 도구를 사용해.
보드 선도는 어떤 시스템에 다양한 주파수의 사인파 신호를 입력했을 때, 출력 신호의 크기(진폭)와 위상(타이밍 차이)이 어떻게 변하는지를 보여주는 두 개의 함수 그래프 세트야.
가로축은 주파수(로그 스케일)이고, 세로축은 각각 진폭의 크기(데시벨 단위)와 위상차(도 단위)이지.
엔지니어들은 이 두 그래프의 모양을 보고 시스템의 안정성을 직관적으로 판단할 수 있어.
예를 들어, 특정 조건에서 위상 그래프가 -180도에 도달할 때, 크기 그래프가 0데시벨(입력과 출력이 같음)보다 위에 있다면 그 시스템은 불안정해져서 출력이 제멋대로 커지거나 진동하게 돼.
이 '안정성 여유(Gain Margin, Phase Margin)'를 그래프에서 직접 읽어내고, 시스템이 얼마나 안정적인지, 혹은 불안정한지를 정량적으로 평가할 수 있는 거야.
함수의 그래프를 해석하는 능력이 어떻게 복잡한 시스템의 안정성을 진단하는 핵심 기술이 되는지 탐구할 수 있는, 공학의 정수가 담긴 주제라고 할 수 있어.
마무리하며
어때, 좀 감이 와?
수학이 그냥 종이 위에서 끝나는 학문이 아니란 걸 이제 알았을 거야.
오늘 내가 던져준 주제들은 시작일 뿐이야.
이걸 바탕으로 너만의 탐구를 시작해 봐.
이런 깊이 있는 고민과 탐구 활동은 나중에 비싼 돈 주고 입시 컨설팅을 받거나 면접 학원에 가서도 얻기 힘든 너만의 진짜 스토리가 될 거야.
지금 당장 스터디카페나 독서실 책상에 앉아서, 네가 가장 흥미롭게 느낀 주제 하나를 골라 더 깊게 파고들어 봐.
좋은 인강용 태블릿으로 관련 온라인 강의를 찾아보는 것도 좋은 방법이야.
결국 이런 노력 하나하나가 모여서 네 실력이 되고, 합격으로 이어지는 거니까.
치열하게 고민한 만큼, 결과는 반드시 따라온다.
이치쌤이 항상 응원할게.