[11.13] R&D 대전환- AI 기반 자율실험실(SDL) 심층분석- 최적화 구축/활용/실습 3차 세미나

-성공적인 도입/기본원리/요소기술/설계 공정 최적화-

■ 인사말

최근 첨단산업의 기술 경쟁이 심화되면서 연구개발 기간 단축과

실험의 효율성 및 정확성 향상이 중요한 과제로 떠오르고 있습니다.

특히 자율실험실(Self-Driving Lab)은 소재, 반도체, 바이오 등 여러 분야에서

AI가 실험 결과를 바탕으로 후속 실험을 설계하고 최적화하는 방식으로

복잡한 실험 과정에 소요되는 시간과 자원을 줄이고 효율적인 연구개발을 지원하는

차세대 연구개발 환경으로 주목받고 있습니다.

이에 자율실험실(SDL)의 기술 동향을 이해하고 연구개발의 효율성과 신뢰성을 높이기 위한

실질적인 활용 방안을 공유하고자 본 세미나를 개최합니다.

■ 행사개요 (본 세미나는 온라인/오프라인 동시 진행됩니다.)

1. 행사명 : R&D 대전환- AI 기반 자율실험실(SDL) 심층분석- 최적화 구축/활용/실습 3차 세미나

2. 일 시 : 2026년 11월 13일(금) 10:00~15:30

3. 장 소 : KIEI 세미나실 (서울 구로디지털단지 內) / 온라인 스트리밍

4. 등 록 : 온라인등록(https://www.kiei.com) 또는 전화등록

5. 주 최 : 산업교육연구소(KIEI)

6. 문 의 : (02)2025-1333~7 또는 kieiseminar@kiei.com

■ 프로그램 (프로그램의 주제 및 스케줄은 연사의 사정에 의해 일부분 변경될 수 있습니다.)

0. 도입 및 산업적 배경

- 왜 지금 AI for Materials인가, 공정-구조-물성

- 성능 프레임워크, 소재 탐색/개발/최적화

- 전체 과정 안내

[모듈1] 문제 정의와 소재 데이터- 기본 용어에서 지표 정의까지

- AI/ML 기본 용어

- 회귀, 분류, 군집화, 최적화의 차이

- 입력값, 목표값, 기술자, 라벨 및 도메인 제약조건

- 성공 지표 정의

[모듈2] 소규모ㆍ불완전ㆍ불일치 데이터- 수집에서 설계까지

- 문헌 데이터 수집, 결측 발생 메커니즘, 삭제와 대치의 비교

- MICE, KNN, 랜덤 포레스트 및 화학 지식 기반 대치, 데이터 누출 방지

- 학습/검증/시험 데이터 설계

[모듈3] 공정-물성 관계 예측과 모델 선택 및 비교

- 기준 모델, 트리 앙상, 교차 검증, RMSE, R2, 정밀도, 재현율 및 F1

- 하이퍼파라미터 튜닝, 제한된 데이터에서의 모델 선택

[모듈4] 역설계와 실험 추천 및 최적화

- 정방향 모델과 역설계의 차이, 공정변수 최적화, 제약조건과 실행가능성

- 설계-소자(design-to-device) 파이프라인, 실험 검증

[모듈5] 소재 특성평가를 위한 컴퓨터 비전 사례를 통한 상태분류

- CNN 개념, 이미지 선별 및 증강, 패치 분할/크롭, 클래스 불균형

- 혼동행렬: Grad-CAM, 도메인 이동과 일반화

[모듈6] 불확실성과 신뢰성 및 해석 가능성 사례 분석

- 점 예측과 확률론적 예측, 우연적/인식론적 불확실성

- NGBoost: 음의 로그우드와 보정, SHAP: 분포 외 시험

[모듈7] 산업 적용과 자율실험 데이터인프라 및 실험설계

- 데이터 인프라, 최소 실행 가능 데이터셋, 모델 모니터링

- 시뮬레이션, 특성평가, 실험실 자동화와의 통합

- 베이지안 최적화와 폐루프 실험

- 거버넌스 및 책임 있는 활용

8. 종합 마무리

- AI for Materials 활용사례 개요 작성

- 문제, 데이터, 모델, 검증, 불확실성, 사업 가치 및 다음 실험

※ 본 행사는 사전등록이 마감될 경우, 현장등록은 불가능하오니 사전등록 바랍니다.

※ 자세한 사항은 홈페이지(https://www.kiei.com) 또는 전화 (02)2025-1333~7 문의 바랍니다.