이승철 교수 연구실 노홍균 박사, 대한기계학회 신뢰성부문 춘계학술대회 2026 우수학위논문상 수상

이승철 교수 연구실의 노홍균 박사후연구원이 2026년 4월 9일 개최된 대한기계학회 신뢰성부문 춘계학술대회 2026에서 우수학위논문상(박사학위)을 수상하였다. 수상 학위논문의 제목은 “시간 인과성이 강화된 물리지식 기반 인공신경망을 활용한 시간-의존 편미분 방정식의 실시간 응답 추론”이다. 본 논문은 시간에 따라 변화하는 물리계의 응답을 보다 정확하고 효율적으로 추론하기 위한 새로운 방법론을 제시하였다는 점에서 학술적 의의를 인정받았다.

 본 학위논문은 시간-의존 편미분 방정식 문제에서 물리 지식을 반영한 인공신경망 기반 접근법을 바탕으로, 시간 인과성을 보다 효과적으로 고려할 수 있는 실시간 응답 추론 기법을 제안하였다. 특히 제한된 센서 정보만으로도 시공간 응답을 안정적으로 복원할 수 있는 가능성을 제시함으로써, 향후 다양한 공학 시스템의 해석, 모니터링 및 예측 분야에 폭넓게 활용될 수 있을 것으로 기대된다.

 이승철 교수는 “노홍균 박사의 이번 수상은 시간-의존 물리 현상에 대한 해석과 인공지능 기반 추론 기법의 융합 가능성을 인정받은 뜻깊은 성과”라며, “앞으로도 관련 연구가 더욱 확장되어 실시간 예측 및 공학 응용 분야에서 실질적인 기여를 할 수 있을 것으로 기대한다”고 밝혔다.

 이번 수상은 시간 인과성이 강화된 물리지식 기반 인공신경망 연구의 우수성을 대외적으로 인정받은 성과로, 향후 관련 분야의 후속 연구와 실제 응용 확대에 중요한 계기가 될 것으로 기대된다.

 본 연구는 과학기술정보통신부에서 지원하는 과학기술원 InnoCORE 사업에 의해 수행되었습니다.(N10250154). 

Dr. Honggyun Noh, a postdoctoral researcher in the laboratory of Professor Seungchul Lee, received the Outstanding Dissertation Award (Doctoral Dissertation) at the 2026 Spring Conference of the Reliability Division of the Korean Society of Mechanical Engineers (KSME), held on April 9, 2026. The title of the awarded dissertation is “Real-time Response Inference of Time-dependent PDEs via Causality-enhanced Physics-Informed Neural Networks”. The dissertation was recognized for its academic contribution in proposing an effective and reliable framework for real-time inference of time-dependent physical systems.

 This dissertation presents a physics-informed neural network based methodology for time-dependent partial differential equations, with particular emphasis on enhancing temporal causality in the inference process. The proposed framework demonstrates the potential to accurately and efficiently reconstruct spatio-temporal responses from limited information, thereby offering a promising approach for various engineering applications, including real-time monitoring, prediction, and analysis of complex physical systems.

 Professor Seungchul Lee stated, “This award is a meaningful recognition of the research significance of integrating artificial intelligence with the analysis of time-dependent physical phenomena. We expect that this line of research will continue to expand and make substantial contributions to real-time prediction and broader engineering applications.”

 This achievement represents external recognition of the excellence of research on physics-informed neural networks with enhanced temporal causality and is expected to serve as an important milestone for future follow-up studies and practical engineering applications.

 This work was supported by the InnoCORE program of the Ministry of Science and ICT (N10250154).