AI기반 자율실험실 구축 전략의 현재와 미래 수료증
모집인원9,999명
학습기간2026-09-01 ~ 2029-12-31
|
성명 |
박양정 |
소속기관 |
울산과학기술원 |
|||
|
강의 명 (주제) |
AI기반 자율실험실 구축 전략의 현재와 미래 |
|||||
|
학습목표 |
수강자는 실험자동화, 고처리량 실험, 바이오파운드리, SDL의 차이를 자율성, 데이터 피 드백, AI 의사결정, 오케스트레이션 관점에서 구분할 수 있다. 현재 SDL 사례를 처리량(n_exp), 실험당 정보량(I), 데이터가 지식으로 바뀌는 효율(Z) 관점에서 평가하고, 주요 한계와 검증 기준을 설명할 수 있다. 자기 연구실의 실험 문제를 closed-loop research architecture로 정식화하고, 모듈형 하드웨어·데이터 계약·실험설계 AI·오케스트레이션 요구사항을 연결해 설계할 수 있다. 최종적으로 연구실 또는 공동연구 과제로 추진 가능한 1-page SDL research/pilot plan을 작성할 수 있다. |
|||||
|
분야 |
■ AI |
□ Bio |
□ Chem |
□ Drug |
||
|
단계 |
기초 |
|||||
|
목차 (강의시간) |
강의내용 |
실습 여부 |
교수자 |
|
1 |
자율실험실의 현재: 자동화에서 closed-loop discovery로 실험 연구 병목, 자동화/HTE/SDL의 차이, 현재 SDL 사례와 한계, nexp·I·Z 기반 성능 주장 읽기 |
X |
본인 |
|
2 |
구축 전략 I: 모듈형 실험실과 연구 데이터 루프 unit-based compact system, station-based distributed system, RAST 관점의 모듈화 평가, 데이터 계약, provenance, FAIR, 연구실 closed-loop architecture |
X |
본인 |
|
3 |
구축 전략 II: 실험설계 AI와 오케스트레이션 능동학습, 베이지안 최적화, 안전 최적화, vision AI, LLM/생성모델, 에이전트형 workflow, scheduler/data/safety orchestration |
X |
본인 |
|
4 |
자율실험실의 미래: 연결되고 안전한 연구 플랫폼 미래형 SDL의 6가지 조건, 재현성, benchmark, 운영 리스크, 데이터 공개와 IP, SDL research/pilot 설계 실습 |
X |
본인 |
|
선수과목 |
필수 선수 지식은 없으나 다음 배경지식이 있으면 강의 내용을 더 깊이 이해할 수 있음 • 실험 연구 프로세스와 데이터 기록 방식에 대한 기본 이해 • 머신러닝 또는 통계 모델링의 기초 개념 • 베이지안 최적화, 능동학습, 실험계획법(DoE)에 대한 기초 관심 • ELN, LIMS, 자동화 장비, 실험 데이터 관리에 대한 경험 |
||
|
참고자료 |
• Lee, H. et al. Toward self-driving laboratory 2.0 for chemistry and materials discovery. Materials Horizons(2026). https://pubs.rsc.org/en/content/articlehtml/2026/mh/d5mh01984b • Self-Driving Laboratories for Chemistry and Materials Science. Chemical Reviews(2024). https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055 • The rise of self-driving labs in chemical and materials sciences. Nature Synthesis(2022). https://www.nature.com/articles/s44160-022-00231-0 • Autonomous self-driving laboratories: a review of technology. Royal Society Open Science(2025). https://royalsocietypublishing.org/doi/10.1098/rsos.250646 |
|
준비사항 |
- |