트랙

과학 분야별 응용

각 과학 분야의 데이터·문제·평가 기준은 무엇이 다르고, 어디서 실패하는가?

26부 물리·공학 시뮬레이션

• 26.1 ML 연구자를 위한 연속체 역학과 시뮬레이션
• 26.2 시뮬레이션 대리모델
• 26.3 난류와 closure 모델 학습
• 26.4 형상·설계 최적화와 역설계
• 26.5 시뮬레이션 학습의 벤치마크와 평가

27부 지구·기후

• 27.1 기상·기후 데이터의 기초
• 27.2 데이터 기반 기상 예측
• 27.3 다운스케일링과 기후 모델 에뮬레이션
• 27.4 기상·기후 예측의 평가

28부 화학·재료

• 28.1 분자와 결정의 표현
• 28.2 물성 예측
• 28.3 기계학습 원자간 퍼텐셜
• 28.4 분자·재료 생성과 역설계
• 28.5 화학·재료 데이터와 평가의 함정

29부 생명과학

• 29.1 ML 연구자를 위한 분자생물학 기초
• 29.2 생물 서열 모델
• 29.3 단백질 구조 예측과 설계
• 29.4 유전체·단일세포 데이터
• 29.5 생명과학 AI의 평가와 누수

30부 에너지·배터리

• 30.1 ML 연구자를 위한 배터리 기초
• 30.2 배터리 모델의 계층
• 30.3 배터리 데이터셋과 데이터 함정
• 30.4 상태 추정과 수명 예측
• 30.5 파라미터 추정과 하이브리드 모델링
• 30.6 충전 최적화와 제어
• 30.7 배터리 Foundation Model