SDL을 위한 화학 및 소재 정보학 수료증

  • 모집인원9,999명

  • 학습기간2026-11-17 ~ 2029-12-31

로그인하시면 강좌에 등록할 수 있습니다.
강좌 소개

성명

정유성

소속기관

서울대학교

강의 명

(주제)

SDL을 위한 화학 및 소재 정보학

학습목표

본 강의는 Self-Driving Lab의 기본 개념과 폐루프 연구 구조를 이해하고, 이를 구현하기 위한 화학·소재 정보학의 역할을 학습하는 것을 목표로 한다. 수강자는 데이터 표현, 물성·반응 예측, 합성가능성 평가, active learning 기반 실험 설계 등 SDL의 핵심 AI 기술을 이해할 수 있다. 또한 LLM agent와 생성형 AI를 활용한 차세대 자율 연구 시스템의 가능성과 한계, 실제 연구 적용 시 고려사항을 파악할 수 있다.

분야

■ AI

□ Bio

□ Chem

□ Drug

단계

기초

과정 소개

목차

(강의시간)

강의내용

실습여부

교수자

1

1강. Self-Driving Lab의 개념과 AI 기반 연구 자동화
Self-Driving Lab의 기본 개념과 폐루프 연구 구조를 소개하고, 자동화 실험과 자율 실험의 차이를 설명한다.
화학·소재 정보학이 실험 후보 선정, 결과 해석, 다음 실험 설계에서 수행하는 역할을 이해한다.

X

본인

2

2강. SDL을 위한 화학·소재 데이터 표현과 실험 설계 AI
분자, 반응, 조성, 결정구조, 실험 조건 등 다양한 화학·소재 데이터를 AI가 학습 가능한 형태로 표현하는 방법을 다룬다.
물성 예측, 불확실성 추정, active learning 및 Bayesian optimization을 활용한 실험 설계 방법을 설명한다.

X

본인

3

3강. 합성가능성 예측과 반응 예측
AI가 제안한 후보 물질이나 조건이 실제로 합성 가능한지를 판단하기 위한 합성가능성 평가 방법을 소개한다.
반응 예측, retrosynthesis, 합성 경로 탐색 기술이 SDL의 실행 가능성 판단에 어떻게 활용되는지 설명한다.

X

본인

4

4강. LLM Agent와 생성형 AI를 활용한 차세대 SDL
LLM과 생성형 AI가 후보 생성, 문헌 해석, 실험 계획, 도구 호출, 결과 해석에 어떻게 활용될 수 있는지 소개한다.
Agentic AI 기반 SDL의 가능성과 함께 hallucination, 검증, human-in-the-loop 등 실제 적용 시 고려사항을 논의한다.

X

본인

선수과목

 

참고자료

 

준비사항

 

분류
  • 주제
    화학, 화합물데이터, 머신러닝, 합성
  • 분야
    인공지능 & 프로그래밍, 화학 & 화학정보학
  • 실습
    없음 (이론 강의)
  • 활용 단계
    Drug Discovery, 기타
교수자/개설자