Date: 2026.03.06.(Fri) 09:30 ~ 17:20
Place: Yang Seung-taek Auditorium, KAIST
Time table
| ● 09:30 – 10:00 | 오프닝 세레모니 | |
| ● 09:30 – 09:35 | 개회사 및 내빈 소개 : 백형렬 AI수학대학원장 | |
| ● 09:35 – 09:55 | 주요 내빈 축사 | |
| ● 09:55 – 10:00 | 기념사진촬영 | |
| ● 10:00 – 10:50 | 연사: 이철희 박사(KIAS) / 좌장: 김상현 학부장(KAIS) | |
| ● 10:50 – 11:10 | Coffee Break | |
| ● 11:10 – 12:00 | 연사: 홍영준 교수(서울대) / 좌장: 김동환 교수(KAIST) | |
| ● 12:00 – 13:30 | 점심 식사 | |
| ● 13:30 – 14:20 | 연사: 김재경 교수(KAIST) / 좌장: 수리과학과 학과장(KAIST) | |
| ● 14:30 – 15:20 | 연사: 권도현 교수(연세대) / 좌장: 최범준 교수(KAIST) | |
| ● 15:20 – 15:50 | Coffee Break | |
| ● 15:50 – 16:40 | 연사: 임성빈 교수(고려대) / 좌장: 하우석 교수(KAIST) | |
| ● 16:50 – 17:20 | Panel Discussion & Closing주제:“Can AI Solve the Unsolved?” 모더레이터: 백형렬원장 | |
Time table
| ● 09:30 – 10:00 | Opening Ceremony | |
| ● 09:30 – 09:35 | Opening Remarks and Introduction of Distinguished Guests: Baek Hyung-Ryul, Dean of the Graduate School of AI Mathematics | |
| ● 09:35 – 09:55 | Congratulatory Remarks by Distinguished Guests | |
| ● 09:55 – 10:00 | Commemorative Photo Session | |
| ● 10:00 – 10:50 | Chul-hee Lee(Chairman:Sang Hyun Kim) | |
| ● 10:50 – 11:10 | Coffee Break | |
| ● 11:10 – 12:00 | Yongjoon Hong(Chairman:Donghwan Kim) | |
| ● 12:00 – 13:30 | Lunch Break | |
| ● 13:30 – 14:20 | Jae Kyoung Kim(Chairman:Chair of the Department of Mathematical Sciences) | |
| ● 14:30 – 15:20 | Dohyun Kwon(Chairman:Beomjun Choi) | |
| ● 15:20 – 15:50 | Coffee Break | |
| ● 15:50 – 16:40 | Sungbin Lim(Chairman:Wooseok Ha) | |
| ● 16:50 – 17:20 | Panel Discussion & ClosingTopic:“Can AI Solve the Unsolved?” Moderator: Baek Hyung-Ryul, Director | |
– Speaker. Chul-hee Lee (KIAS) [10:00~10:50] Chairman: Sang Hyun Kim)
- Title : AI는 수학을 어떻게 바꿀까?
- Abstract : AI의 발전과 함께 수학에도 뚜렷한 변화의 조짐이 나타나고 있다. 기분대로 AI와 대화하며 코딩을 한다는 ‘바이브 코딩’이라는 용어가 등장한 지 얼마 되지도 않았는데, 이제는 ‘바이브 증명’이라는 말까지 들리기 시작한다. 문헌 검색, 자동 정리 증명, 형식화 등 수학 연구의 핵심 과정 전반에서 AI 활용이 점차 넓어지고 있다. 이 강연에서는 이러한 변화의 구체적인 모습들을 살펴보고, 이러한 흐름이 수학의 미래를 어떻게 바꿀지 함께 생각해 보고자 한다.
– Speaker. Yongjoon Hong (SNU) [11:10~12:00] Chairman: Donghwan Kim)
- Title : Recent Advances in AI×Mathematics for Science.
- Abstract : This talk surveys recent advances in the AI×Mathematics paradigm for scientific problems, emphasizing how mathematical structure can make modern AI more reliable, interpretable, and effective in data- and physics-constrained settings. On the Mathematics for AI side, we study learning and generative modeling through the lens of analysis and algorithms, aiming to clarify training dynamics, generalization behavior, and principled uncertainty. On the AI for Mathematics side, we highlight Scientific Machine Learning as a unifying methodology that blends numerical analysis, operator learning, and inverse problems to connect data with governing laws. Finally, we demonstrate how these ideas translate into AI for Science through representative applications in weather forecasting, generative design of metamaterials, and predictive modeling in biology. The central message is that AI×Mathematics is not a collection of separate topics, but a coherent framework where rigor, computation, and scientific insight reinforce each other.
– Speaker. Jae Kyoung Kim (KAIST) [13:30~14:20] Chairman: Chair of the Department of Mathematical Sciences.
- Title : 수학을 더하면 데이터가 달라진다: 의료 AI의 세 가지 전략.
- Abstract : 의료와 생명과학 분야에서 인공지능은 점점 더 널리 사용되고 있지만, 연구나 임상 현장에서는 종종 “데이터가 충분하지 않다”는 한계에 부딪히곤 합니다.
이 강연에서는 새로운 데이터를 더 모으기보다는, 수학적 접근을 더함으로써 이미 가지고 있는 데이터를 어떻게 더 잘 활용할 수 있는지를 세 가지 관점에서 이야 기하고자 합니다. 첫 번째는 Feature Reduction입니다. 의료·생물학 데이터는 차원 이 높고 복잡한 경우가 많아, 무엇을 남기고 무엇을 줄일지 결정하는 것부터가 쉽 지 않습니다. 여기서는 그 선택을 연구자의 경험에 맡기기보다는, 데이터가 스스로 의미 있는 신호와 잡음을 구분하도록 하는 방식을 소개합니다. 이러한 접근은 단 일세포 RNA 시퀀싱처럼 변수가 매우 많은 데이터에도 자연스럽게 적용될 수 있 으며, 이후 인공지능 분석이 보다 안정적으로 이루어질 수 있는 출발점이 됩니다.
두 번째는 Feature Augmentation입니다. 측정된 데이터 자체는 그대로 두되, 그 안에 숨어 있는 정보를 수학적 모델을 통해 끌어내는 방법입니다. 수면과 생체시 계 모델을 예로 들어, 웨어러블 기기에서 얻은 수면–각성 정보만으로도 수면 압력 이나 생체 리듬과 같은 보이지 않는 상태를 추정할 수 있고, 이러한 정보가 실제 로 정신건강 상태 예측에 도움이 될 수 있음을 소개합니다.
마지막으로는 Functional Space Reduction입니다. 핵심 아이디어는 인공지능이 모든 가능한 패턴을 무작정 탐색하도록 두는 대신, 수리모델을 활용해 현실적으로 가능한 반응의 범위 안에서만 해를 찾도록 유도하는 것입니다. 이를 통해 항생제 가 어떤 분자 타겟을 공격하느냐에 따라, 왜 어떤 경우에는 세포들의 반응이 비교 적 균일해지고, 또 어떤 경우에는 세포 간 반응의 차이가 크게 나타나는지를 살펴 볼 수 있습니다. 이 과정에서 인공지능이 생물학적으로 가능한 반응만을 학습하도 록 함으로써, 같은 데이터에서도 전혀 다른 수준의 정보를 얻을 수 있음을 보여드 립니다. 이 강연의 핵심 메시지는 인공지능이나 수학 기법을 복잡하게 설명하는 데 있지 않습니다. 수학을 조금 더해주면, 이미 가지고 있는 데이터가 훨씬 더 많 은 이야기를 해줄 수 있다는 점을, 실제 의료·생명과학 연구 사례를 통해 함께 나 누고자 합니다.
–Speaker. Dohyun Kwon (Yonsei University) [14:30~15:20] Chairman: Beomjun Choi)
- Title : A Few Analytical Viewpoints on Generative Modeling.
- Abstract : Generative models have made impressive progress across machine learning, yet we still lack a clear understanding of why some training methods are reliable while others fail. In this talk, I highlight several mathematical viewpoints—centered around optimal transport—that offer a unifying way to think about generative modeling and help relate major approaches such as diffusion models and GANs. I will then focus on a concrete issue that arises when we try to learn “transport maps” from data: popular methods can sometimes converge to misleading solutions, especially when the data have low-dimensional structure. I will explain the geometric reason for this phenomenon and discuss practical remedies that make training more stable and the learned maps more faithful, along with a few examples that illustrate the impact in modern generative modeling tasks.
–Speaker. Sungbin Lim (Korea University) [15:50~16:400] Chairman: Wooseok Ha)
- Title : How to integrate AI4Math with AI4Science for Scientific Discovery?
- Abstract : 최근 인공지능 추론 기술의 발전은 인공지능이 주도하는 과학적 발견(AI-driven Scientific Discovery)의 시대를 열고 있습니다. 본 강연에서는 새로운 패러다임에 진입함에 있어, AI4Math 연구가 어떻게 AI4Science 분야와 융합되어 과학 문제들을 해결할 수 있을지 소개합니다. 아울러 인공지능 분야에서 수학자들의 역할과 혁신이 필요한 미래 연구 방향을 제안할 예정입니다.