중앙대학교 AI학과 Mathematical AI and Scientific Computing (MAISC) 연구실(지도교수: 이재용)의 연구 논문 2편이 인공지능 분야 최상위 국제학회인 ICML 2026(International Conference on Machine Learning 2026)에 채택되었습니다.  

이번 연구들은 고차원 PDE 해석을 위한 확률 기반 AI 방법론과, LLM 기반 과학 법칙 발견(Symbolic Regression) 분야에서의 새로운 접근을 제시하였습니다.

1. Un-EM-BSDE: Unbiased and Second-Order-Free BSDE Training for High-Dimensional PDEs  
(1저자: AI학과 석박사통합과정 서재민, 2저자: AI학과 학부졸업생 이수린)  
https://icml.cc/virtual/2026/poster/60575

본 논문은 고차원 PDE 해결을 위한 BSDE 기반 딥러닝 방법에서 발생하는 discretization-induced bias 문제를 해결하기 위해, second-order derivative 계산 없이도 unbiased 학습이 가능한 새로운 학습 프레임워크를 제안합니다.  
제안된 방법은 기존 EM-BSDE 수준의 계산 효율성을 유지하면서도 높은 정확도를 달성하여, 고차원 PDE를 위한 효율적이고 안정적인 AI 기반 solver framework의 가능성을 제시하였습니다.

특히 본 연구는 두 학생이 모두 AI학과 학부생 시절 MAISC 연구실 학부 연구참여 프로그램을 통해 시작한 프로젝트를 발전시켜 이루어진 결과라는 점에서 큰 의미를 가집니다.

2. DoLQ: Discovering Ordinary Differential Equations with LLM-based Qualitative and Quantitative Evaluation  
(1저자: AI학과 석사과정 송섬균)  
https://icml.cc/virtual/2026/poster/66811

본 논문은 LLM 기반 qualitative reasoning을 활용하여, 수치적 정확성과 물리적 타당성을 동시에 고려하는 새로운 ODE discovery framework인 DoLQ를 제안합니다.  
특히 qualitative evaluation을 통해 물리적으로 부적절한 후보식을 제거함으로써, 기존 symbolic regression 방법 대비 더 높은 방정식 복원 성능을 달성하였습니다.

이번 연구를 통해 MAISC 연구실은 Scientific Machine Learning 분야에서 AI와 수학적 모델링을 결합한 연구를 지속적으로 수행하고 있으며, 다양한 배경의 학생들이 주도적으로 연구에 참여할 수 있는 연구 문화를 구축해 나가고 있습니다.