[붙임] 세부 강연 내용
- 인공지능, 머신러닝, 딥러닝 : 본 강의는 인공지능, 머신러닝, 딥러닝의 개념과 구조적 차이를 소개한다. 머신러닝의 기본 원리와 학습 절차를 포함한 AutoML, 딥러닝을 위한 ANN 모델 구조, 활성함수, 손실함수, 최적화 과정에 대해 설명 후, CNN, RNN 등 주요 딥러닝 모델의 특징과 간단한 예시를 활용한 데모 또는 실습한다. 생성형-에이전트-피지컬 인공지능으로 이어지는 최신 인공지능 연구 동향을 정리한다.
- 생성형 인공지능 : 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 방법의 공학 문제 해결을 위한 응용 사례를 제시한다.
- 거대 언어 모델과 AI 에이전트 : 거대 언어 모델의 핵심 구조인 Transformer 이론부터 LLM의 학습 원리, AI 에이전트 기술을 다룬다. 또한, Huggingface를 활용하여 LLM을 직접 구현하는 실습을 통해 생성형 언어모델의 구동 원리를 깊이 있게 이해한다.
- 파운데이션 모델과 데이터 효율적 학습 : 본 강의에서는 파운데이션 모델 개발 및 응용을 위한 핵심기술과 데이터 효율적 학습 기법을 소개한다. 고품질 라벨링 데이터가 부족한 상황에서 파운데이션 모델을 개발을 하기위한 자가지도학습 및 미세조정 방법론을 제시하고, 비전, 음성 및 시계열 분야의 대표 사례를 학습한다. 또한 데이터 부족 상황에서 도입할 수 있는 도메인 적응형학습과 능동학습 등 데이터효율학습 기법에 대해서도 소개한다.
- 물리지식기반 인공지능 : 물리법칙을 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.
- 경희대 임재혁 교수 : 본 연구는 물리 지식 기반 인공신경망(PINN)에 실제 시험 데이터를 결합한 가상 센싱(Virtual Sensing)의 실증 사례와 실전 적용을 위한 시간·공간적 외삽 범위 확장 노력을 다룬다. 이종 재료 우주 추력기 열환경 시험: 이종재료로 구성된 우주추력기를 도메인-분할된 물리지식기반 인공신경망을 사용하고, 소수의 센서 정보만으로도 비계측 영역의 전역 온도장을 고해상도 실시간으로 복원한다. 손상 구조물 건전성 식별: 외팔 보, 평판 및 균열이 존재하는 구조물에서 가속도·변위 계측 정보를 융합하여 손상 위치, 손상 정도, 국부 강성 저하 패턴을 실시간으로 정량적으로 식별한다. 실전 적용 노력: 가상 센싱 기술의 실전 적용을 위해 시간·공간적 외삽 범위 확장 및 복잡한 비선형 거동 반영 등에 관한 노력을 소개한다.
- 한양대 오기용 교수 : 본 발표는 Agentic AI와 Physical AI 융합된 첨단 기계기술 방향을 제시한다. 구체적으로, Agentic AI의 시스템 차원 추론·의사결정 최적화, Physical AI의 체화된 지능과 물리적 성능 확장의 결합은 차세대 기계시스템을 구현 가능하다. 이러한 인공지능 융합 기계시스템은 고신뢰성과 효율성을 확보 가능하고, 미래 인간–기계 협업을 위한 새로운 진화 모델의 초석이 될 것으로 사료된다.
- 금오공대 손정우 교수 : 우수한 비강도, 비강성 특성을 갖는 복합재는 블레이드, 항공기 등 적용 분야가 크게 확대되고 있다. 그러나, 복합재 내부에 발생하는 결함은 구조물의 안정성을 크게 저하시키지만 탐지가 어려운 한계가 있다. 복합재 구조물의 내부 결함을 탐지하기 위한 CNN, GCN 등 딥러닝 기반의 다양한 연구 사례들을 살펴보고 향후 발전 방향을 논의한다.
- 연세대 민경민 교수 : 파운데이션 모델을 활용하여 다양한 무기·유기 재료의 물성을 정밀하게 설계하는 최신 접근법을 소개한다. 기존 데이터 기반 모델뿐만 아니라 멀티모달 표현 학습, 대규모 사전학습 기반 머신러닝 원자간 포텐셜, 그리고 언어모델 기반 예측 방법론 등을 종합적으로 다룬다. 배터리와 반도체 등 실제 응용 분야에서의 적용 사례를 중심으로 파운데이션 모델이 가져올 수 있는 혁신적 가능성을 제시한다.
- 포스텍 전준구 교수 : 2016년 원자력발전소 사고관리 법제화가 시행된 이후, 사업자는 사고관리계획서를 의무적으로 제출해야한다. 사업자는 설계된 발전소의 사고관리능력을 입증하기위해, 방대한 양의 사고해석을 수행해야한다. 본 발표에서는 이러한 사고해석 전체 파이프라인에서 오류 및 정확도를 크게 증가시키기 위한 인공지능 기술을 소개한다. 한 발 더 나아가, 발전소 안전 패러다임을 변화시킬 수 있는 운전원 보조 에이전트 기술의 미래도 함께 소개한다.
- 포스텍 김인녕 박사 : 본 강연에서는 심층 강화학습을 활용하여 전산유체역학 기반 자율 해석 및 설계를 수행하는 지능형 프레임워크를 소개한다. 격자 생성, 수치 해석, 형상 최적화 전 과정을 자동화하여 기존의 시행착오적 반복 과정과 설계자 의존성을 극복하고, 실제 산업 수준의 복잡성(다변수, 비선형, 고비용)을 해결하기 위한 협력적 다중 에이전트 강화학습과 다조건 전이학습 등 최신 인공지능 기법을 다룬다. 이를 기반으로 100개 이상의 설계 변수를 포함하는 3차원 시스템 수준 설계까지 확장한 적용 사례를 제시한다.
- 공주대 이세진 교수 : 자율주행 시스템은 육상, 해상, 수중 등 다양한 환경에서 발생하는 센싱의 불확실성을 극복해야 하는 과제에 직면해 있다. 본 강연에서는 딥러닝 기반 특징 추출, 생성 모델(GAN), 시계열 분석(LSTM) 등 최신 머신러닝 기법을 활용하여 LiDAR, 수중소나, 비전 데이터의 한계를 극복한 최신 연구 사례들을 소개한다. 특히 정밀 위치 추정(SLAM), 객체 탐지 및 데이터 복원, 이상상태 감지 기술을 중심으로 AI 기반 자율주행 센싱의 발전 방향을 제시한다.
