# \#scientific-computing
**URL:** https://discuss.pytorch.kr/tag/scientific-computing/6949.md
[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)
---
## [OpenScience: 문헌 조사부터 실험과 논문 작성까지 수행하는 오픈소스 AI 연구 워크벤치](https://discuss.pytorch.kr/t/openscience-ai/11185)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [7월 10, 2026, 11:30오전 UTC](https://discuss.pytorch.kr/t/openscience-ai/11185 "2026-07-10T11:30:39Z")
OpenScience 소개 OpenScience는 과학 연구를 위한 오픈소스 AI 워크벤치입니다. 연구 목표 하나를 주면 유능한 공동 연구자가 일하는 방식으로 연구 루프 전체를 진행합니다. 중요한 논문을 읽고 가설을 세우고, 코드를 작성해 실행하고, 실제 컴퓨트 위에서 실험을 돌리고, 주요 과학 데이터베이스를 조회한 뒤 결과를 정리해 씁니다. Synthetic Sciences가 공개했으며 머신러닝, 생물학, 물리학, 화학 분야의 실제 연구 작업을 목표로 만들어졌습니다. 실행 형태는 브라우저 안의 워크스페이스입니다. 파일 트리, 에디터, 터미널, 세션 기록을 갖추고 분자 구조, 유전체, 플롯을 본문 안에 바로 렌더링합니다. 모델에는 종속되지 않습니다. Anthropic, OpenAI, Google을 비롯한 수십 개 프로바이더의 프런티어 모델과 오픈 웨이트 모델을 자신의 API 키로 연결해 쓰며, 계정 가입 없이 시작할 수 있고 키는 사용자의 머신에만 남습니다. 에이전트 구성도 연구 흐름에 맞춰져 있습니다. 기본 research 에이전트에 biology, physics, ml 전문 에이전트가 더해지고, 비평(critique)과 문헌 조사(literature review)를 맡는 서브에이전트, 읽기 전용 계획(plan) 모드가 함께 제공됩니다. OpenScience의 연구 도구: 290개 이상의 스킬과 30여 개 과학 데이터베이스 스킬은 290개 이상이 내장되어 있습니다. DeepSpeed, PEFT, TRL을 이용한 학습과 평가, 데이터셋 작업 같은 ML 엔지니어링 영역부터 분자·임상 생물학, 화학정보학(cheminformatics), 논문과 LaTeX 작성, 도표 제작, Modal 같은 클라우드 컴퓨트 연동까지 이어집니다. 여기에 UniProt, PDB, Ensembl, ChEMBL, PubChem, arXiv, OpenAlex, Semantic Scholar 등 30여 개 과학 데이터베이스가 에이전트가 직접 조회할 수 있는 도구로 붙어 있어, …
---
## [Tesseract-Torch: 컨테이너화한 과학 계산 코드를 PyTorch 자동미분에 연결하는 라이브러리](https://discuss.pytorch.kr/t/tesseract-torch-pytorch/11177)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [7월 10, 2026, 2:30오전 UTC](https://discuss.pytorch.kr/t/tesseract-torch-pytorch/11177 "2026-07-10T02:30:01Z")
Tesseract-Torch 소개 실제 과학 연구 파이프라인은 하나의 언어나 프레임워크로 끝나지 않는 경우가 많습니다. 메시 생성기는 C++로, 솔버는 Julia로, 후처리는 Python으로 작성돼 있는 식입니다. 이런 이기종 도구를 하나로 묶어 함께 동작시키는 것도 번거롭지만, 그 파이프라인 전체에 걸쳐 그래디언트를 흘려보내 최적화까지 하는 일은 훨씬 더 어렵습니다. 이 문제를 풀기 위해 Pasteur Labs는 Tesseract Core를 만들었습니다. 어떤 언어로 작성된 과학 계산 코드든 Docker 컨테이너로 감싸 CLI·REST API·Python SDK라는 동일한 인터페이스로 실행할 수 있게 하고, 컴포넌트마다 야코비안(Jacobian)·벡터-야코비안 곱(VJP)·야코비안-벡터 곱(JVP) 같은 미분 값을 노출해 이기종 파이프라인 전체를 미분 가능하게 이어붙일 수 있도록 설계된 프레임워크입니다. Tesseract-Torch는 이 Tesseract Core를 PyTorch 생태계에 연결하는 가벼운 확장입니다. apply\_tesseract(tesseract, inputs)라는 단 하나의 함수로 어떤 Tesseract든 PyTorch의 자동 미분 그래프 안에 끼워 넣을 수 있으며, 역전파(reverse-mode)와 정전파(forward-mode) 자동 미분을 모두 지원합니다. 즉 Julia나 C++, Fortran으로 짠 시뮬레이터를 Tesseract로 패키징해두면, PyTorch 학습 루프 안에서 다른 nn.Module과 똑같이 .backward()를 호출해 그래디언트를 얻을 수 있습니다. Tesseract-Torch 자체는 API 표면이 매우 작습니다. 텐서를 넘파이(NumPy) 배열로 변환해 Tesseract에 전달하고, Tesseract의 스키마를 읽어 어떤 입출력이 미분 대상인지 판단한 뒤, 결과를 다시 grad\_fn이 연결된 torch.Tensor로 되돌리는 역할만 합니다. Pasteur Labs는 같은 방식으로 JAX용 확장인 Tes…