물리지식기반 인공지능(PIML)은 전통적인 데이터 기반 인공지능의 한계를 극복하기 위해 물리 법칙과 도메인 지식을 인공지능 모델에 통합하는 첨단 연구 분야입니다. 본 연구실은 제한된 데이터 환경에서도 높은 예측 정확도와 물리적 일관성을 확보할 수 있는 PIML 알고리즘 개발에 집중하고 있습니다. 특히, 복잡한 공정이나 실험 데이터가 부족한 실제 산업 현장에 적용 가능한 데이터 효율적 학습 기법을 연구하고 있습니다. 이러한 연구는 주입성형 공정 제어, 원자력 발전소 운영 등 다양한 실제 사례에 적용되고 있습니다. 예를 들어, 주입성형 공정에서는 기존의 경험적 접근법 대신, PIML을 활용하여 공정 변수와 결과 간의 복잡한 관계를 물리적으로 해석하고, 최적의 공정 조건을 도출할 수 있습니다. 또한, 원자력 발전소와 같은 안전이 중요한 시스템에서는 제한된 센서 데이터와 물리 모델을 결합하여 이상 탐지 및 예측 정확도를 크게 향상시키고 있습니다. 본 연구실은 PIML의 이론적 발전뿐만 아니라, Fourier Neural Operator, DeepONet, Multiphysics-informed Neural Networks 등 최신 신경망 구조를 적극적으로 도입하고 있습니다. 이를 통해 다양한 물리 현상(열전도, 구조 해석, 복합재 물성 예측 등)에 대한 범용적이고 신뢰성 높은 AI 모델을 구축하고 있으며, 향후 스마트 제조, 에너지, 바이오 등 다양한 산업 분야로의 확장 가능성을 모색하고 있습니다.

본 연구실은 기계공학과 인공지능(AI)의 융합을 통한 스마트 제조 혁신을 선도하고 있습니다. 전통적인 기계공학 분야의 문제 해결에 AI, 머신러닝, 딥러닝, 강화학습 등 다양한 최신 인공지능 기술을 접목하여, 설계 최적화, 공정 자동화, 구조 진단, 신소재 개발 등 다양한 응용 분야에서 혁신적인 연구 성과를 창출하고 있습니다. 특히, 대규모 시뮬레이션 데이터와 실험 데이터를 통합하여 AI 기반의 설계 및 공정 최적화 플랫폼을 개발하고 있습니다. 예를 들어, 3D 프린팅 복합재, 전기자동차용 플라스틱 테일게이트, 반도체 공정 장비 부품 등 실제 산업 현장에서 요구되는 고성능·고신뢰성 제품의 설계에 AI 기반 최적화 기법을 적용하고 있습니다. 또한, 대규모 제조 데이터를 활용한 빅데이터 분석, 공정 이상 탐지, 예지보전 등 스마트 팩토리 구현을 위한 핵심 기술도 연구 중입니다. 이와 더불어, 인간-인공지능 인터페이스, 대규모 언어모델(LLM), 멀티에이전트 시스템 등 최신 AI 트렌드를 반영한 연구도 활발히 진행되고 있습니다. 이를 통해 도메인 전문가가 AI를 쉽게 활용할 수 있는 사용자 친화적 도구와 플랫폼을 개발하고, 제조 현장의 생산성 및 혁신 역량을 극대화하는 것을 목표로 하고 있습니다.

본 연구실은 다양한 길이 및 시간 스케일에 걸친 다중스케일(multiscale) 및 다물리계(multiphysics) 모델링을 기반으로, 첨단 복합재료 및 메타물질의 설계와 최적화에 주력하고 있습니다. 원자 수준의 시뮬레이션부터 연속체 수준의 해석까지, 다양한 스케일의 이론적·계산적 모델을 통합하여 복합재료의 기계적, 열적, 전기적 특성을 정밀하게 예측하고 있습니다. 특히, 미시구조의 불균일성, 계면 결함, 다상 소재의 상호작용 등 실제 재료에서 발생하는 복잡한 현상을 정확히 반영하기 위해, 평균장 균질화, 유한요소해석(FEA), 마이크로메카닉스 기반 이론 등 다양한 방법론을 활용하고 있습니다. 최근에는 머신러닝 기반의 데이터 구동형 모델과 물리지식 기반 AI를 결합하여, 복합재의 비선형 거동, 피로수명 예측, 충격 및 파괴 해석 등 고난이도 문제에 도전하고 있습니다. 이러한 연구는 3D 프린팅, 에너지 하베스팅, 바이오메디컬 소재, 차세대 반도체 부품 등 다양한 첨단 산업 분야에 적용되고 있습니다. 실험 데이터와 시뮬레이션 데이터를 통합한 하이브리드 접근법을 통해, 신소재 개발의 효율성과 신뢰성을 높이고, 미래형 고성능 소재 설계의 패러다임을 제시하고 있습니다.