Structured and Probabilistic Machine Learning (SPML) Lab은 KAIST 인공지능대학원 소속으로, 구조적 데이터와 확률적 모델링을 중심으로 한 첨단 기계학습 연구를 선도하고 있습니다. 본 연구실은 분자, 재료, 생물학적 서열 등 복잡한 구조를 가진 데이터를 효과적으로 분석하고 생성하는 데 필요한 이론적·실용적 기계학습 방법론을 개발하는 데 주력하고 있습니다. 최근에는 분자 설계 및 최적화를 위한 기계학습 알고리즘 개발에 집중하고 있으며, 신약 개발, 신소재 탐색, 항체 설계 등 실제 산업 및 과학 분야에 직접적으로 적용 가능한 연구를 활발히 수행하고 있습니다. SMILES 파싱을 통한 대형 언어모델의 화학적 이해 증진, 멀티에이전트 시스템 기반 분자 최적화, 고차원 등가 플로우 매칭 등 다양한 최신 논문과 프로젝트를 통해 혁신적인 연구 성과를 내고 있습니다. 또한, 확률적 생성 모델(GFlowNet, Diffusion Model 등)과 그래프 신경망을 활용하여 구조적 데이터의 표현력과 생성력을 극대화하고, 비지도 조합 최적화, 구조적 다양성 정렬, 부분 추론을 위한 에너지 분해 등 다양한 이론적 연구도 병행하고 있습니다. 이러한 연구는 인공지능과 화학, 생명과학, 재료과학의 융합을 통해 새로운 과학적 발견과 산업적 혁신을 이끌고 있습니다. SPML 연구실은 국제적으로 저명한 학회(ICML, NeurIPS, ICLR, KDD 등)에서 다수의 논문을 발표하며, 국내외 연구자들과의 활발한 협업을 통해 연구의 깊이와 폭을 넓혀가고 있습니다. 연구실 구성원들은 다양한 배경을 바탕으로 창의적이고 도전적인 연구를 수행하며, 차세대 인공지능 기반 과학 연구를 선도하고 있습니다. 앞으로도 SPML 연구실은 구조적 데이터와 확률적 모델링의 융합을 통해 인공지능의 새로운 가능성을 탐구하고, 실제 사회와 산업에 기여할 수 있는 혁신적인 연구를 지속적으로 추진할 계획입니다.