NEWS 2026

[08/24/26-08/26/26] iAI participates in the 19th East Asia SIAM (EASIAM) Annual Meeting in Jeju, Korea. 

[07/20/26-07/24/26] iAI participates in the 17th World Congress on Computational Mechanics (WCCM-ECCOMAS 2026) in Munich, Germany.

[05/27/26-05/29/26] 한국소음진동공학회 춘계학술대회 참가, 삼척 (쏠비치)

[05/14/26-05/15/26] 2026년 KAIST 산학협동 공개강좌, AI가 대신 일하는 시대: LLM 기반 산업 AI Agent 설계와 구현 

[05/06/26-05/08/26] 대한기계학회 CAE및응용역학 부문 춘계학술대회 참가, 여수 (소노캄 )

[04/08/26-04/10/26] 산업인공지능 연구실, 대한기계학회 신뢰성 부문 춘계학술대회 참여, 제주 (롯데호텔)

• 이승철 교수, 대한기계학회 신뢰성 부문 춘계학술대회 기조강연, 제주

Title: Expanding the Horizons of Reliability Analysis: The Integration of AI and Physics-based Models for Next-Generation Engineering (신뢰성 해석의 지평을 넓혀: AI와 물리모델의 융합이 차세대 신뢰성 공학을 이끈다)

Abstract: Reliability engineering is a pivotal discipline that ensures system safety and performance by quantifying uncertainties and accurately predicting failure probabilities. However, the practical application of reliability analysis is currently hindered by significant bottlenecks: the prohibitive computational costs of high-dimensional, multi-physics problems and the scarcity of real-world operational data. This study provides an in-depth exploration of next-generation reliability methodologies that overcome these limitations through the organic integration of Physics-based Modeling and Artificial Intelligence (AI). First, we discuss strategies to simultaneously achieve simulation acceleration and data efficiency using physics-informed learning techniques such as Physics-Informed Neural Networks (PINNs), Operator Learning, and high-fidelity surrogate models. Subsequently, we present advanced frameworks for data-efficient uncertainty quantification via active and transfer learning, rare event probability estimation using generative models, and rigorous posterior uncertainty assessment through Bayesian inference. By ensuring both computational efficiency and physical consistency, the proposed integrated framework is expected to serve as a core catalyst in shifting the paradigm of reliability-based decision-making across high-tech industries, including manufacturing, energy, aerospace, and mobility.

[03/31/26] 이승철 교수, 대구경북과학기술원 로봇및기계전자공학 세미나, 대구

• AI in Engineering: Integrating Data-driven and Physics-informed Approaches

[03/26/26-03/27/26] 한국설비진단자격인증원 강습회, 여수(히든베이 호텔)

[03/25/26-03/26/26] A delegation from the Department of Mechanical Engineering at Tsinghua University visits KAIST to discuss the future of AI education and research collaboration in ME.

[03/18/26-03/19/26] 이승철 교수, 한국센서학회 AI센서플랫폼 세션에서 초청발표, 서울

• 이승철 교수: AI 센서 플랫폼의 미래: 물리 기반 이해와 데이터 기반 학습의 만남 (The Future of AI Sensor Platforms: Bridging Physics-based and Data-driven Learning)

AI sensor platforms are evolving from passive data acquisition systems into intelligent, adaptive infrastructures capable of interpreting complex physical environments. Traditionally, sensor systems have relied on physics-based models that encode domain knowledge such as wave propagation, thermal dynamics, or electrochemical behavior. In parallel, data-driven learning has enabled powerful pattern recognition directly from large-scale sensor data. Yet, each paradigm has limitations: physics-based models can be computationally intensive and incomplete, while purely data-driven models often lack physical consistency, interpretability, and robustness beyond their training conditions. This work presents an integrated approach that bridges physics-based understanding and data-driven learning for next-generation AI sensor platforms. By embedding physical constraints and structural priors into machine learning models, sensor intelligence becomes more reliable, data-efficient, and generalizable. At the same time, data-driven components help capture unmodeled effects and real-world variability. Key technologies such as physics-informed learning, hybrid modeling, digital twins, and edge AI will be discussed through applications in structural monitoring, smart manufacturing, energy systems, and biomedical sensing. The work concludes with challenges and future directions toward trustworthy, real-time, and deployable AI sensor platforms.

• Prof. Bumsoo Park: Zero-Shot AI for Single-Camera 3D Flow-Field Reconstruction in Refractive Droplet Experiments

• Dr. Hong-Kyun Noh: Sensor-Guided Real-Time Inference of Time-Dependent PDE Systems Using Physics-Informed AI

[03/10/26] 박범수 교수, 연구실 방문

[03/06/26] 카이스트 AI수학대학원 Opening Workshop 참석, 대전

[03/04/26] 초내열소재 HUB 2단계 착수회의 참석, 부산 (호메르스 호텔 )

[03/01/26] Dr. Bumsoo Park Appointed as Assistant Professor in MSDE at Seoul National University of Science and Technology (SeoulTech) where he will lead the Manufacturing AI lab.

[02/27/26] 대한기계학회 기계인공지능연구회 주관, 물리지식기반 인공지능 워크샵, 포스코타워 역삼

[02/25/26-02/27/26] 카이스트 기계공학과, 'AI 기반 설계: 해석에서 설계 최적화 및 PINN/LLM 활용까지' 동계 산학협동 강좌, 대전

2026년 2월 25일부터 27일까지 창의학습관에서 'AI 기반 설계: 해석에서 최적화 및 PINN/LLM 활용까지' 동계 산학협동강좌가 개최되었습니다. 이번 강좌는 기계공학 분야에서 인공지능 기술을 설계와 해석 과정에 통합하는 방법을 공유하기 위해 기획되었으며, 데이터 기반 접근과 물리 기반 모델링을 연결하는 다양한 방법론이 소개되었습니다. 강좌에서는 위상최적화의 기본 개념과 다학제 분야로의 확장 사례를 시작으로, 데이터 기반 설계 방법론의 실질적인 활용 전략을 다루었습니다. 이어 PINN과 DeepONet을 활용한 물리 법칙 내재화 및 연산자 학습 기반 공학 시스템 응답 예측 방법을 소개하였습니다. 또한 LLM의 공학적 활용 가능성을 조명하며, 설계 지식 구조화, 해석 코드 작성 보조, 시뮬레이션 결과 해석 지원 등 생성형 AI의 의사결정 지원 도구로서의 활용 방향을 제시하였습니다. 이번 강좌에는 이승철 교수(강좌책임교수)를 비롯하여 유승화, 이익진, 장인권, 강남우, 임경태 교수가 강사진으로 참여하였으며, 총 96명이 수강하였습니다. 강좌 마지막 날에는 AI 응용 사례 발표와 패널 토의를 통해 참가자들이 현장 경험을 공유하고 산학연 협력의 확장 가능성을 모색하였습니다.

[02/03/26] 산업 인공지능 연구실, "AI 시대, 대학교육의 재설계" 워크샵 참석, 대전

인공지능의 급속한 발전은 산업과 사회의 여러 영역에서 기존의 질서를 서서히 재편하고 있다. 특히 노동 시장과 인재 양성의 방식에서도 이러한 변화의 조짐이 점차 분명해지고 있다. 최근 산업 현장에서는 신입 인력을 적극적으로 채용하기보다는 이미 일정 수준의 경험과 역량을 갖춘 인력을 선호하는 경향이 나타나고 있다. 이는 과거 신입 인력이 수행하던 반복적이거나 기초적인 업무의 상당 부분이 인공지능 시스템에 의해 대체되거나 보조될 수 있게 되었기 때문이기도 하다.

이러한 변화는 자연스럽게 하나의 근본적인 질문을 제기한다. 신입으로서의 경험을 축적할 기회가 줄어드는 상황에서 개인은 과연 어떠한 경로를 통해 전문성을 형성하고 중견 인력으로 성장할 수 있는가. 다시 말해, 초입의 경험 없이 성숙한 전문가로 이행하는 것이 가능한가 하는 문제이다.

이와 같은 문제의식은 대학 교육의 역할을 다시 묻게 만든다. 대학은 단순히 지식을 전달하는 기관을 넘어, 급변하는 기술 환경 속에서 학습자들이 어떠한 방식으로 경험과 역량을 축적할 수 있도록 교육을 설계해야 하는가. 특히 인공지능이 사회 전반의 의사결정과 생산 과정에 깊이 관여하게 된 오늘날, 이러한 변화는 교육 체계에서도 보다 근본적인 성찰을 요구하고 있다.

인공지능과 함께 살아간다는 것은 단순히 새로운 도구를 활용하는 차원을 넘어, 인공지능과 협력하는 하나의 팀 구성원으로서 인간의 역량을 재정의하는 문제이기도 하다. 인간과 인공지능이 협력적 관계 속에서 서로의 강점을 확장해 나갈 수 있는 교육적 모델은 무엇인지에 대해 다양한 고민을 나눌 수 있었던 의미 있는 자리였다.

[02/20/26] KAIST Commencement Ceremony   

[02/13/26] POSTECH Commencement Ceremony   

[02/10/26-02/11/26] 대한금속·재료공학회 인공지능재료과학분과 제12회 재료인공지능 겨울학교 진행, 한국생산기술연구원 지능화뿌리기술연구소 (인천 송도국제도시)

2026년 2월 10일부터 11일까지 양일간 한국생산기술연구원 지능화뿌리기술연구소에서 개최된 재료인공지능 겨울학교가 성공적으로 마무리되었다. 대한금속·재료학회 인공지능재료과학 분과가 주관한 이번 행사는 재료공학과 인공지능의 융합을 주제로, 기초 이론부터 최신 응용 기술까지 폭넓은 내용을 다루며 참가자들의 큰 호응을 얻었다. 이번 겨울학교는 초급과 중고급 과정으로 구성되어 머신러닝과 딥러닝의 기본 개념뿐 아니라 재료 이미지 분석, 생성형 인공지능, LLM 구조 이해 등 최신 AI 기술의 소재과학 적용 사례까지 체계적으로 소개하였다.

[02/05/26-02/06/26] iAI workshop and outing at Muju

[01/19/26-01/22/26] 대한기계학회 기계인공지능연구회 주관, 인공지능 겨울학교, 광주

[01/15/26] 연구 성과 홍보: 중앙대 기계공학부 이수영 교수 연구팀, 물리기반 인공지능으로 미래 제조 청사진 제시

최근 제조 분야에서의 공정 고도화 및 첨단화에 따라 제조 환경이 더욱 복잡해지고 있으며, 이를 정밀하게 모델링하거나 공정 변화를 실시간으로 반영하는 데 기술적 한계가 지속적으로 제기돼 왔다. 이러한 문제를 해결할 수 있는 새로운 인공지능 기반 기술에 대한 요구가 커지고 있으나, 기존 데이터 중심 인공지능 기술은 대규모 학습 데이터 확보의 어려움과 공정 조건 변화에 따른 성능 저하 등의 이유로 실제 제조 현장에 적용하는 데 한계를 가지고 있다. 이수영 교수 연구팀은 제조 인공지능의 특성과 한계를 종합적으로 분석하고, 제조 공정에 내재된 도메인 지식과 인공지능을 결합하는 ‘도메인 주도 인공지능 기술’을 통해 미래 제조 기술의 청사진을 제시했다. 특히 연구팀은 물리 법칙을 인공지능 모델에 통합하는 물리기반 인공지능을 중심으로, 적은 데이터만으로도 물리적으로 일관된 성능과 해석 가능성을 확보할 수 있는 제조 인공지능의 새로운 방향성을 제시했다.

[01/14/26] 산업인공지능연구실, 한국최적설계학회 (Korean Society for Design Optimization) 참가, 대전

[01/08/26] KAIST 기계공학과 뉴스레터 홍보용 포스터