링샤오 왕

개요

링샤오 왕(Lingxiao Wang, 王凌霄)은 일본 RIKEN iTHEMS(학제적 이론·수리과학 연구센터)의 연구원이자 도쿄대학교 지능물리학 연구소(Institute for Physics of Intelligence) 조교수입니다. 2026년 4월부터는 RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences 응용수리과학 부문 AI as Science 팀의 Deputy Team Director를 맡고 있습니다.

머신러닝과 물리학의 접점을 약 10년간 탐구해온 인물로, 심층 신경망과 생성 AI를 활용해 양자색역학(QCD) 물질과 격자 계산을 다루는 물리 기반 학습(physics-driven learning)이 핵심 전문 분야입니다. 2025년 1월 Nature Reviews Physics에 게재한 리뷰 논문으로 이 분야에서의 권위를 확인받았으며, Machine Learning and the Physical Sciences 워크숍에서 Best "Physics for AI" Paper Award를 수상했습니다.

RIKEN iTHEMS에서 과학의 역문제를 딥러닝으로 푸는 DEEP-IN 워킹그룹을 주도하고 있으며, AI for Science 전반으로 관심 영역을 넓혀 과학적 발견의 자동화와 의학 AI에도 연구를 확장하고 있습니다.

생애

링샤오 왕은 중국 칭화대학교(Tsinghua University)에서 물리학을 공부하며 2015년부터 2020년까지 박사학위를 취득했습니다. 박사 과정 중인 2018-2019년에는 일본 도쿄대학교에 방문 연구원으로 파견되어 카이랄 물질(chiral matter) 연구를 수행했습니다.

2020년부터 2023년까지는 독일 Frankfurt Institute for Advanced Studies(FIAS)에서 박사후 연구원으로 근무하며 물리과학에 머신러닝을 적용하는 방법론을 심화시켰습니다. 이 시기에 생성 모델과 통계물리의 언어를 연결하는 연구 방향이 구체화됐습니다.

2023년 RIKEN iTHEMS에 합류했고, 도쿄대학교 조교수직을 겸임하면서 물리학자와 AI 연구자 사이의 가교 역할을 맡게 됐습니다. 2025년 3월에는 "물리 기반 딥러닝을 이용한 QCD 물리 역문제 풀기"를 주제로 새로운 연구비를 수주했습니다. 2026년 4월 팀 Deputy Director 승진은 AI as Science 방향의 연구 리더십을 공식적으로 인정받은 결과입니다.

업적

링샤오 왕의 가장 뚜렷한 업적은 QCD 역문제를 딥러닝으로 풀어내는 방법론의 체계화입니다. 격자 QCD 시뮬레이션에서 하드론 간 상호작용 포텐셜을 심층 신경망으로 학습하는 방법(2024, arXiv:2410.03082), 물리 모델과 딥러닝을 결합해 QCD 물질을 탐색하는 종합 리뷰(2025, Nature Reviews Physics) 등이 대표 성과입니다. Nature Reviews Physics 논문은 DEEP-IN 워킹그룹의 연구 성과를 집약한 것으로, 해당 분야 표준 참조 논문으로 자리잡고 있습니다.

확산 모델의 통계역학적 해석이라는 독창적인 방향에서도 성과를 냈습니다. "Higher-order cumulants in diffusion models" 논문으로 Machine Learning and the Physical Sciences 워크숍 Best "Physics for AI" Paper Award를 수상했으며, 이는 물리학 언어로 생성 AI를 해석하는 그의 독창적 접근이 공동체로부터 인정받은 것입니다.

중이온 충돌 실험 데이터 분석, 홀로그래픽 QCD와 딥러닝의 결합 등으로도 연구를 확장하고 있습니다. 통계물리와 장론의 언어로 신경망과 생성 모델을 해석하는 접근이 실제 논문의 교신저자 역할로 이어지고 있습니다.

여담

RIKEN iTHEMS 자기소개 글에서 "물리학이 AI를 이해하는 데, AI가 물리학을 이해하는 데 서로 도움이 된다"는 시각을 밝혔습니다. 이 상호 침투적 관점이 DEEP-IN 워킹그룹의 철학적 근간이기도 합니다.

박사 과정 중 도쿄대학교에 방문 연구원으로 간 경험이 RIKEN과 도쿄대 이중 소속이라는 현재의 자리를 만든 토대가 됐습니다. 중국에서 교육받고 유럽에서 박사후 연구를 마친 뒤 일본에 정착한 경력은 국제적으로 분산된 AI-물리 융합 연구 공동체의 전형적인 모습을 보여줍니다.

RIKEN에서 Deputy Team Director가 된 것은 개인의 커리어 성장을 넘어 일본 내 AI for Science 연구 방향을 주도하는 위치에 서게 됐다는 의미이기도 합니다. 물리학자 출신의 AI 연구자가 점점 더 중요한 역할을 맡는 흐름을 잘 보여주는 사례입니다.

주요 논문

• Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics (Nature Reviews Physics, 2025) -- QCD 역문제를 딥러닝으로 접근하는 방법론을 종합 정리한 리뷰 논문.
• Building Hadron Potentials from Lattice QCD with Deep Neural Networks (arXiv:2410.03082, 2024) -- 격자 QCD 데이터에서 하드론 포텐셜을 신경망으로 학습하는 방법 제안.
• Latent Representation Learning in Heavy-Ion Collisions with MaskPoint Transformer (arXiv:2510.06691, 2024) -- 중이온 충돌 실험 데이터에 MaskPoint Transformer를 적용한 표현 학습.
• Higher-order cumulants in diffusion models -- Machine Learning and the Physical Sciences 워크숍 Best "Physics for AI" Paper Award 수상 논문.
• HoloNet: Toward a Unified Einstein-Maxwell-Dilaton Framework of QCD (arXiv:2512.06044) -- 홀로그래픽 QCD 프레임워크와 딥러닝을 결합한 연구.
• Learning Langevin dynamics with QCD phase transition -- QCD 상전이에서 랑주뱅 동역학을 딥러닝으로 학습하는 접근.