사전등록신청 및 확인 바로가기[Click] ▶ 사전등록계정(정회원 또는 비회원)으로 로그인 ▶ 참가확인서 
선택
대한기계학회 기계인공지능연구회
2026년 인공지능 여름학교
우리 학회 기계인공지능연구회가 「2026년 인공지능 여름학교」를 개최합니다. 이번 강습회는 머신러닝과 딥러닝의 기본 개념을 이해한다는 전제하에, 최근 급속히 주목받고 있는 생성형 인공지능(Generative AI), 물리지식기반 인공지능(Physics-informed Machine Learning), 대규모 언어모델 기반 에이전트(LLM-based Agents), 파운데이션 모델(Foundation Models), 데이터 효율적 학습(Data-Efficient Learning) 등 핵심 최신 주제를 폭넓게 다룰 예정입니다. 또한 기계공학 분야에서 실제 활용 가능한 인공지능 사례를 함께 소개하여, 연구 현장에서 바로 적용할 수 있는 통찰을 제공하고자 합니다. 본 강습회는 빠르게 확장되는 인공지능 지식을 핵심 위주로 정리하여 회원 여러분께 전달하고자 하며, 각 주제별로 날짜를 구분해 개별 등록이 가능하오니 많은 관심과 참여를 부탁드립니다.
• 주최 : 대한기계학회
• 주관 : 대한기계학회 기계인공지능연구회
• 일자 : 2026년 7월 13일(월) ~ 7월 15일(수)
• 장소 : 연세대학교 공학원 대강당 B106호 (서울시 서대문구 연세로 50)
■ 행사 일정
|
날 짜
|
시 간
|
제 목
|
연 사
|
|
7월 13일
(1일차)
|
14:00–18:00
|
(생성형 인공지능) VAE, GAN, Diffusion, Flow-based Models
|
박범수 교수 (서울과학기술대학교 MSDE학과)
|
|
7월 14일
(2일차)
|
09:00–13:00
|
(물리지식기반 인공지능) PINN, DeepONet, Kernel Integral Operator (FNO, GNO, Transformer-based Operator)
|
김태진 교수 (전북대학교 산업정보시스템공학과)
|
|
14:00–18:00
|
(LLM과 AI Agent) LLM의 원리, LLM의 학습방법, RAG(검색증강), Ontology(온톨로지), AI Agent
|
박찬희 교수 (서울시립대학교 기계정보공학과)
|
|
7월 15일
(3일차)
|
09:00–13:00
|
(파운데이션 모델) Self-supervised Learning, Transfer Learning
|
하종문 교수 (아주대학교 기계공학과)
|
|
14:00–18:00
|
(효율적 학습) Active Learning, Domain Adaptation, and Beyond
|
민경민 교수 (연세대학교 기계공학부)
|
※ 세부 강연 내용은 [붙임] 참조
■ 신청 안내
• 신청 페이지 : 대한기계학회 홈페이지 (https://ksme.or.kr/) [사전등록 바로가기]
• 납부 방법
– 은행 입금 : 우리은행 / 대한기계학회 / 1005-403-359047
– 카드 및 계좌이체 : 사전등록 페이지의 전자결제시스템 이용
• 신청 마감 : 2026년 6월 26일(금)까지 (납부 기준 선착순 120명, 현장등록 불가)
■ 수강료
|
구 분
|
회 원
|
비회원
|
|
일 반
|
1일차
|
10만 원
|
16만 원
|
|
2일차
|
14만 원
|
20만 원
|
|
3일차
|
14만 원
|
20만 원
|
|
학 생
|
1일차
|
8만 원
|
10.5만 원
|
|
2일차
|
12만 원
|
14.5만 원
|
|
3일차
|
12만 원
|
14.5만 원
|
• 점심 식사 및 다과 포함 (주차권 미포함)
• 비회원 등록 시 1년간 대한기계학회 회원 자격 부여
• 비회원이 2일 이상 등록할 경우, 1일분만 비회원가가 적용되고 나머지는 회원가로 등록됩니다.
■ 실습 안내
• 본 강습회에서는 개별 실습을 진행하오니, 개인용 노트북(컴퓨터)을 지참해 주시기 바랍니다.
• 필요한 프로그램 및 환경 설치 안내는 등록자 메일로 사전 발송됩니다.
• 실습에 필요한 모든 소스 코드를 제공합니다.
■ 행사 문의
• 기계인공지능연구회 회장 이세진 교수 (sejiny3@kongju.ac.kr)
기계인공지능연구회 회장 이 세 진
대한기계학회 회장 리 광 훈
[붙임] 세부 강연 내용
▣ 이론, 데모 및 실습 강연 (1일차 ~ 3일차)
1. 생성형 인공지능 (서울과기대 박범수 교수)
본 강의는 생성 모델 주요 방법론에 대한 핵심 이론과 최근 연구 동향을 다룬다. Autoencoder, GAN, Diffusion Model, Flow-based Model 등 현대 생성 모델의 대표적 구조와 원리를 중심으로 학습한다. 나아가 최신 생성형 인공지능 방법을 공학 문제 해결에 적용한 응용 사례를 함께 제시한다.
2. 물리지식기반 인공지능 (전북대 김태진 교수)
물리 법칙을 기술하는 편미분방정식(PDE)을 인공신경망으로 해결하는 최신 접근법을 다룬다. 기존의 유한요소법(FEM)을 대체하거나 보완하기 위한 시도로서, 물리 제약을 손실함수에 직접 반영하는 PINN부터 다양한 PDE 문제를 넓은 입력–출력 공간에서 학습할 수 있는 신경망 연산자(Neural Operators)까지 소개한다. 나아가 최근 주목받는 트랜스포머 기반 연산자 학습 기법을 통해 물리 기반 문제의 범용적이고 확장 가능한 해석을 가능하게 하는 최신 연구를 살펴본다.
3. LLM과 AI Agent (서울시립대 박찬희 교수)
거대 언어 모델의 핵심 구조인 Transformer 이론부터 LLM의 학습 원리, AI 에이전트 기술을 다룬다. 또한 Hugging Face를 활용하여 LLM을 직접 구현하는 실습을 통해 생성형 언어 모델의 구동 원리를 깊이 있게 이해한다.
4. 파운데이션 모델 (아주대 하종문 교수)
본 강의에서는 파운데이션 모델 개발 및 응용을 위한 핵심 기술과 데이터 효율적 학습 기법을 소개한다. 고품질 라벨링 데이터가 부족한 상황에서 파운데이션 모델을 개발하기 위한 자가지도학습 및 미세조정 방법론을 제시하고, 비전·음성·시계열 분야의 대표 사례를 학습한다.
5. 효율적 학습 (연세대 민경민 교수)
본 강의는 라벨 데이터가 제한된 실제 공학 문제 상황을 출발점으로, 데이터 효율적 학습(Data-Efficient Learning)의 전체 지형도를 조망한다. 능동학습(Active Learning)의 핵심인 질의 전략(Query Strategies)을 체계적으로 정리하고, 이를 딥러닝과 결합하는 최신 연구 동향을 다룬다. 나아가 도메인 적응(Domain Adaptation)과 자율적 탐색·발견(Autonomous Discovery)으로 확장되는 응용 사례를 통해, 데이터가 부족한 환경에서도 모델 성능을 극대화하는 실천적 방법론을 제시한다.
