신경망 기반 기계 번역(Neural Machine Translation, NMT)은 광범위한 연구와 개발을 통해 자연어 처리 분야에서 중요한 기술로 자리 잡았다. 그러나 고품질의 이중 언어 쌍 데이터의 부족은 여전히 NMT 성능 향상에 있어 주요 과제로 남아 있다. 최근 연구들은 사전 훈련된 언어 모델(Pre-trained Language Model, PLM)로부터의 문맥 정보를 활용하여 이 문제를 해결하려는 시도를 하고 있다. 그러나 PLM과 NMT 모델 간의 호환성 문제는 여전히 해결되지 않은 채로 남아 있다. 본 연구는 이러한 문제를 극복하기 위해 PLM 통합형 NMT(PiNMT) 모델을 제안한다. PiNMT 모델은 PLM 다층 변환기(PLM Multi Layer Converter), 임베딩 융합(Embedding Fusion), 코사인 정렬(Cosine Alignment)의 세 가지 핵심 구성 요소로 구성되며, 각 요소는 NMT 모델에 효과적인 PLM 정보를 제공하는 데 핵심적인 역할을 한다. 또한 본 논문에서는 별도의 학습률(Separate Learning Rates)과 이중 단계 훈련(Dual Step Training)이라는 두 가지 훈련 전략을 도입한다. 제안된 PiNMT 모델과 훈련 전략을 적용함으로써, IWSLT'14 En↔De 데이터셋에서 최신 기술 수준(SOTA)의 성능을 달성하였다. 본 연구의 성과는 PLM과 NMT를 효율적으로 통합하여 호환성 문제를 해결하고 성능을 향상시키는 새로운 접근 방식을 제시한다는 점에서 의미가 크다.