SPML 연구실은 분자 설계 및 최적화를 위한 첨단 기계학습 알고리즘 개발에 중점을 두고 있습니다. 최근에는 분자 구조와 특성 예측, 신약 및 신소재 개발에 활용할 수 있는 맞춤형 머신러닝 모델을 연구하고 있습니다. 이러한 연구는 분자의 복잡한 구조적 특성과 화학적 속성을 효과적으로 반영할 수 있는 그래프 신경망, 생성 모델, 강화학습 등 다양한 기계학습 기법을 통합적으로 활용합니다. 특히, 분자 구조의 다양성과 생성, 분자 간 상호작용 예측, 합성 경로 탐색 등 실제 화학 및 생명과학 분야에서 요구되는 문제 해결에 초점을 맞추고 있습니다. 예를 들어, SMILES 파싱을 통한 대형 언어모델의 화학적 이해 증진, 멀티에이전트 시스템 기반 분자 최적화, 고차원 등가 플로우 매칭을 통한 밀도함수 이론 해밀토니언 예측 등 다양한 논문과 프로젝트를 통해 혁신적인 연구 성과를 내고 있습니다. 이러한 연구는 신약 개발의 효율성 증대, 신소재 탐색의 자동화, 분자 생성의 다양성 확보 등 실질적인 산업적·학문적 파급효과를 기대할 수 있습니다. 앞으로도 SPML 연구실은 기계학습 기반 분자 설계의 새로운 패러다임을 제시하며, 인공지능과 화학·생명과학의 융합을 선도할 계획입니다.

SPML 연구실은 확률적 생성 모델과 그래프 신경망을 활용한 구조적 데이터 분석 및 생성에 대한 심도 있는 연구를 수행하고 있습니다. 분자, 재료, 생물학적 서열 등 복잡한 구조를 가진 데이터를 효과적으로 표현하고, 새로운 구조를 생성하는 데 필요한 이론적·실용적 방법론을 개발하고 있습니다. 대표적으로 GFlowNet, Diffusion Model, Flow Matching 등 다양한 생성 모델을 분자 및 그래프 데이터에 적용하여 혁신적인 결과를 도출하고 있습니다. 이 연구는 단순한 데이터 분류나 예측을 넘어, 실제로 새로운 분자 구조를 생성하거나, 금속-유기 골격체(MOF)와 같은 복잡한 재료의 구조 예측, 항체 설계 등 다양한 과학적 문제에 적용되고 있습니다. 또한, 비지도 조합 최적화, 구조적 다양성 정렬, 부분 추론을 위한 에너지 분해 등 최신 이론을 바탕으로 한 연구도 활발히 이루어지고 있습니다. 이러한 확률적 생성 모델과 그래프 신경망 연구는 인공지능의 해석력과 생성력을 극대화하여, 기존의 데이터 기반 접근법을 뛰어넘는 창의적 문제 해결을 가능하게 합니다. 앞으로도 SPML 연구실은 구조적 데이터의 새로운 표현과 생성, 그리고 실제 응용 분야에서의 혁신적 성과 창출을 목표로 연구를 지속할 것입니다.