We develop domain-informed AI methods for chemical engineering, molecular, process, and manufacturing systems. 화학공학, 분자, 공정, 제조 시스템에서의 효율적인 AI 적용을 위해 지식 기반의 AI 방법론을 연구합니다.
Industrial data are rarely clean or complete. We develop practical AI pipelines with knowledge for robust prediction, missing-value imputation, explainable AI, and inverse design. 실제 산업 데이터는 완벽하지 않습니다. 이를 해결하기 위해 지식을 기반으로 예측, 결측치 보정, 설명 가능한 AI, 역설계 등을 수행할 수 있는 실용적인 AI 파이프라인을 개발합니다.
We build fast and reliable models for monitoring, control, and optimization. Current work includes reduced-order modeling(ROM) and digital-twin pipelines for battery-electrode manufacturing, alongside broader applications. 모니터링, 제어, 최적화를 위한 빠르고 신뢰할 수 있는 AI 모델을 구축합니다. 현재는 배터리 전극 제조를 위한 ROM 과 디지털 트윈 파이프라인을 비롯한 다양한 응용 연구를 수행하고 있습니다.
We study representations and learning architectures for catalysts, solvents, absorbents, lubricants, and composites. Our focus is on models that can explore chemical space while remaining interpretable and physically meaningful. 촉매, 용매, 흡수제, 윤활유, 복합재 등의 소재 및 재료 설계를 위한 데이터 표현 방법과 학습 구조를 연구합니다. 화학 공간을 탐색하면서도 해석 가능하고 물리적으로 타당한 모델 개발을 지향합니다.
We integrate single & multiobjective optimization for economic, environmental, and operational advantages. 경제성, 환경성, 운전 효율 등 시스템 개선을 위해 데이터 기반의 최적화 연구를 수행합니다.
Embed domain knowledge and physics so that AI models can be reliable beyond data. 지식과 물리 법칙을 AI 모델에 적용하여, 단순 데이터 기반이 아닌 신뢰할 수 있는 AI 모델 개발을 목표로 합니다.
Replace costly experiments and simulations with accurate surrogates that speed up screening and design. 비용이 큰 실험과 시뮬레이션을 정확한 대리 모델로 대체해 탐색과 설계 속도를 높이고자 합니다.
Connect models with optimization to move from prediction toward autonomous engineering workflows. 모델과 최적화를 연결하여 예측을 넘어 자율적인 워크플로를 개발합니다.
