# \#ai-scientist-for-autonomous-discovery **URL:** https://discuss.pytorch.kr/tag/ai-scientist-for-autonomous-discovery/5865.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [과학 컴퓨팅을 위한 Claude 장기 실행에 대한 연구: Ralph 루프 및 실질적인 연구 방법 공유 (feat. Anthropic)](https://discuss.pytorch.kr/t/claude-ralph-feat-anthropic/9353)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [3월 25, 2026, 9:30오후 UTC](https://discuss.pytorch.kr/t/claude-ralph-feat-anthropic/9353 "2026-03-25T21:30:36Z")
과학 컴퓨팅을 위한 장기 실행 에이전트 워크플로우 개요 연구 소개 및 배경 현재 대부분의 과학자들은 AI 에이전트를 대화형 루프 안에서 사용하면서 각 단계를 직접 관리합니다. 하지만 모델이 장기 과제 수행 능력에서 크게 발전하면서, 새로운 작업 방식이 등장하고 있습니다. 고수준의 목표만 지정하고 에이전트 팀이 자율적으로 작업하도록 하는 방식입니다. 이를 통해 며칠, 몇 주, 심지어 몇 달이 걸릴 수 있는 프로젝트를 단 몇 시간 만에 완료할 수 있게 되었습니다. 이 글은 Anthropic Discovery 팀의 연구원 Siddharth Mishra-Sharma가 작성한 것으로, 과학 컴퓨팅 과제에 다일 에이전트 코딩 워크플로우를 적용하는 방법을 설명합니다. 핵심은 테스트 오라클(test oracle), 영속 메모리(persistent memory), 오케스트레이션 패턴이라는 세 가지 핵심 구성 요소입니다. Anthropic의 C 컴파일러 프로젝트에서는 Claude가 약 2,000개의 세션을 거쳐 리눅스 커널을 컴파일할 수 있는 C 컴파일러를 구축한 바 있습니다. 이번 글에서는 이와 유사한 패턴을 과학 컴퓨팅에 적용하는 방법을, 일반적인 학술 연구실 환경을 기준으로 설명합니다. 구체적 사례: 미분 가능한 볼츠만 솔버(Boltzmann Solver) 이 글의 구체적 사례로는 Claude Opus 4.6을 사용하여 JAX 기반의 미분 가능한 우주론적 볼츠만 솔버를 구현한 프로젝트를 다룹니다. 이 수치 코드는 빅뱅의 잔광인 우주 마이크로파 배경복사(Cosmic Microwave Background, CMB)의 통계적 성질을 예측하는 것으로, 초기 우주에서 광자, 바리온, 중성미자, 암흑 물질의 결합 방정식을 풀어냅니다. CLASS와 CAMB 같은 볼츠만 솔버는 우주론의 핵심 과학 인프라로, Planck이나 Simons Observatory 같은 관측 데이터를 활용하여 우주론적 모델의 매개변수를 제한하는 데 사용됩니다. 미분 가능한 버전을 만들면, 즉 솔버 … --- ## [\[2025/11/03 ~ 09\] 이번 주에 살펴볼 만한 AI/ML 논문 모음](https://discuss.pytorch.kr/t/2025-11-03-09-ai-ml/8161)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 2\ **마지막 업데이트:** [11월 13, 2025, 8:01오전 UTC](https://discuss.pytorch.kr/t/2025-11-03-09-ai-ml/8161 "2025-11-13T08:01:08Z")
\[2025/11/03 ~ 09\] 이번 주에 살펴볼 만한 AI/ML 논문 모음 PyTorchKR​:fire::south\_korea: :thinking::thought\_balloon: :one: 효율적인 언어 모델 설계: 최근 논문들은 대규모 언어 모델(LLM)의 효율성을 높이기 위한 새로운 접근 방식을 제안하고 있습니다. 예를 들어, Continuous Autoregressive Language Models (CALM)은 다음 토큰 예측 대신 연속 벡터 예측을 통해 생성 단계를 줄이고, 더 높은 성능을 달성하는 방법을 제시합니다. 이러한 접근은 모델의 계산 비용을 낮추면서도 성능을 유지하는 데 기여합니다. :two: 문제 난이도 인식 및 조정: LLM이 문제의 난이도를 인식하고 이를 기반으로 성능을 조정하는 연구가 진행되고 있습니다. "LLMs Encode How Difficult Problems Are" 논문에서는 LLM이 인간의 판단과 일치하는 방식으로 문제 난이도를 내부적으로 인코딩하는지를 조사하고, 이를 통해 모델의 정확도를 향상시키는 방법을 제안합니다. 이러한 연구는 LLM의 일반화 능력을 향상시키는 데 중요한 역할을 합니다. :three: 자율적 발견 및 데이터 분석: Kosmos와 같은 AI 과학자는 데이터 기반의 발견을 자동화하는 데 중점을 두고 있습니다. 이 시스템은 문헌 검색, 가설 생성 및 데이터 분석을 반복적으로 수행하여 과학적 보고서를 작성합니다. 이는 기존의 연구 방식보다 더 깊이 있는 발견을 가능하게 하며, AI가 과학적 연구에 기여할 수 있는 새로운 가능성을 열어줍니다. CALM: 연속 자기회귀 언어 모델 / Continuous Autoregressive Language Models 논문 소개 대규모 언어 모델(LLM)의 효율성은 본질적으로 순차적이고 토큰 단위의 생성 프로세스에 의해 제한됩니다. 이러한 병목 현상을 극복하기 위해, 연속 자기회귀 언어 모델(Continuous Autoregressive Langua…