본 수업은 원자력, 에너지 혹은 전통적 공학 분야의 도메인 지식이 인공지능 기술과 어떻게 결합될 수 있는지를 다룬다. 이를 위해 수강생들에게 필수적인 이론 학습과 실습 경험을 제공함으로써, 이러한 융합의 원리와 적용 방법에 대한 체계적인 이해를 목표로 한다. 전반부에는 전통적인 선형 회귀 및 통계학이 어떻게 현대 기계학습으로 발전해 왔는지 이해하는 데 중점을 둔다. 이어서 최근 딥러닝의 대표적인 응용 모델인 합성곱 신경망(CNN), 순환 신경망(RNN), 트랜스포머 신경망(Transformer), 그리고 물리 정보 신경망(PINN)을 소개한다. 본 수업의 핵심 목표는 AI 모델과 원자력 도메인 지식의 결합 방식을 코드 실습을 통해 학습하고, 이를 실무에 적용할 수 있는 역량을 기르는 것이다.
- 1주차부터 5주차까지는 선형회귀(linear regression)와 선형대수(linear algebra)를 시작으로 확률론적 해석(probabilistic interpretation)과 일반선형화모델(generalized linear model)로 기계학습의 기초를 다룬다.
- 6주차와 7주차는 현대의 기계학습에 근간이 되는 신경망 네트워크(neural network)의 기초와 공학분야의 대표적인 그 응용모델인 물리지식인공신경망(physics-informed neural network)를 다룬다.
- 9주차부터 15주차까지는 현대 기계학습에서의 딥러닝의 가장 대표적인 알고리즘들(convolutional neural network, recurrent neural network, transformer) 에 대한 기초와 원자력 관련 코드 실습을 다룬다.

This course explores how domain knowledge in nuclear engineering, energy, and traditional engineering fields can be integrated with artificial intelligence (AI) technologies. It aims to provide students with both theoretical foundations and hands-on experience to develop a systematic understanding of the principles and applications of such integration. In the first half of the course, emphasis is placed on understanding how classical linear regression and statistics have evolved into modern machine learning. The latter part introduces representative deep learning models, including Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Transformer Networks, and Physics-Informed Neural Networks (PINN). The core objective of this course is to help students learn how AI models can be combined with domain knowledge in nuclear engineering through coding exercises, and to cultivate the ability to apply these skills in practical settings.

-

1주 : Introduction of AI for Nuclear Engineering
2주 : Linear regression, probabilistic interpretation
3주 : Linear algebra review, logistic regression, newton’s method
4주 : Generalized linear model, Generative learning algorithms
5주 : Kernel method, Bias-variance tradeoff, regularization, unsupervised learning
6주 : Neural networks (multi-layer perceptron)
7주 : Physics-informed neural network
8주 : Midterm
9주 : Code practice 1
10주 : Convolutional neural network
11주 : Code practice 2
12주 : Recurrent neural network
13주 : Code practice 3
14주 : Transformer
15주 : Code practice 4, Review: MLP to Transformer
16주 : Final Exam

[Make-Up Examinations] As arranged. Except for extenuating circumstances, make-up exams must be completed within 24 hours after the exam was given to the class.

[Attendance Policy] Absences should be avoided. Students should contact an instructor if an absence from class is unavoidable.

[Accommodations For Disabled Students] Reasonable accommodations are available for students who have a documented disability. If you have a documented disability, even temporary, make an appointment as soon as possible with the instructor. You will need to provide your instructor with the appropriate classroom accommodation form. The forms should be completed and submitted during the first week of class. Late notification may delay your accommodations. All accommodations for disabilities must be approved through Disability Services. Classroom accommodation forms are available through the Disability Services Office.