약을 만드는 일에 왜 컴퓨터과학자가 필요할까요? 신약개발을 떠올리면 세포를 관찰하거나 물질을 시험하는 실험실이 먼저 생각납니다. 그런데 실험을 시작하기 전에도 어려운 선택이 기다립니다. 질병과 관련된 몸속 작용 중 무엇을 바꿀지, 어떤 물질을 시험할지, 한정된 시간과 비용으로 무엇부터 확인할지 정해야 합니다.
검토할 후보와 데이터가 많아질수록 이 선택에는 여러 전문성이 필요해집니다. 생물학은 몸속에서 일어나는 현상을 설명하고, 화학은 물질의 성질과 반응을 다루며, 통계와 컴퓨터과학은 자료에서 패턴을 찾고 가능한 후보를 비교하는 방법을 제공합니다. 서로 다른 분야가 같은 연구 질문을 풀기 위해 방법과 판단을 결합하는 것, 이것이 융합연구입니다.
생명과학은 오래전부터 여러 학문과 함께 발전해 왔습니다. 지금 더 주목할 변화는 컴퓨터 계산이 연구 자료를 정리하는 일을 넘어, 어떤 실험을 할지 결정하는 과정에도 깊이 들어와 있다는 점입니다. 계산으로 후보를 고른다면, 그 계산이 믿을 만한지 판단하는 일도 연구의 일부가 됩니다.
약이 될 후보를 고르는 일부터 여러 학문이 만난다
질병과 관련된 단백질의 작용을 조절할 물질을 찾는 상황을 생각해 보겠습니다. 단백질은 몸속에서 신호를 전달하거나 화학 반응을 돕는 등 다양한 일을 하는 분자입니다. 연구자는 그중 어떤 단백질에 영향을 주면 치료에 도움이 될지 가설을 세웁니다. 이때 연구가 겨냥하는 대상을 표적이라고 합니다.
다음에는 후보 물질이 표적의 어느 부분에 어떤 모습으로 붙을지 계산해 볼 수 있습니다. 실제로 물질을 만들고 시험하기 전에, 어떤 후보를 먼저 검토할지 정하는 데 도움을 얻는 것입니다. 생명현상을 데이터와 수학적 모델, 컴퓨터 계산으로 연구하는 계산생물학은 이런 과정에 참여합니다. 다만 계산상 잘 맞아 보이는 후보라도 실제로 결합하는지, 원하는 작용을 내는지, 안전한지는 실험으로 확인해야 합니다.
여기서 컴퓨터에 넘길 자료를 정하는 일부터 공동 판단이 필요합니다. 단백질의 어느 부분을 포함할지, 어떤 실험 자료를 비교 기준으로 삼을지에는 생물학적 이해가 필요합니다. 그 자료를 계산 가능한 형태로 바꾸고, 적절한 모델을 선택하고, 결과의 오차를 살피는 데에는 컴퓨터과학과 수학·통계의 전문성이 필요합니다. 자료를 바꾸면 계산 결과가 달라지고, 결과를 해석하다 보면 처음의 생물학적 가정도 다시 살피게 됩니다.
따라서 협업은 실험실의 질문을 컴퓨터에 한 번 전달하는 것으로 끝나지 않습니다. 계산 결과가 다음 실험을 바꾸고, 실험에서 얻은 자료가 다시 모델과 분석 방법을 바꾸는 과정이 이어집니다. 한 사람이 여러 분야를 익힐 수도 있지만, 연구팀 전체로는 이 연결을 이해하고 판단할 역량이 필요합니다.
연구 질문·입력과 계산 조건·결과 해석·실험은 하나의 흐름으로 연결됩니다. 연구 과정을 설명한 도식이며 실제 분자 구조나 실험 결과를 나타내지는 않습니다.
연구 도구 20종을 살피며 만난 또 하나의 질문
이런 협업의 필요성은 실제 도구를 준비하는 과정에서도 드러났습니다. 최근 나두바이오의 20종 카탈로그, 즉 연구 도구 목록을 검토하고 개별 도구의 실행 환경을 검증했습니다. 목록에 이름을 올리는 일, 정해진 입력으로 실행을 끝내는 일, 결과를 연구에 쓸 수 있는지 판단하는 일은 각각 달랐습니다.
최신 장비에서도 프로그램이 실행되지 않는 경우가 있었고, 결과를 비교하려면 어떤 방식으로 숫자를 계산했는지도 살펴야 했습니다. 컴퓨터가 연구의 도구가 되면, 그 도구가 작동하는 조건을 이해하는 전문성도 연구에 필요합니다. CPU·GPU와 계산 정밀도의 차이는 그 이유를 보여 주는 구체적인 사례입니다.
CPU 모드와 GPU 모드, 속도만 다른 것은 아니다
CPU와 GPU는 모두 컴퓨터에서 계산을 담당하는 장치입니다. CPU는 다양한 작업과 복잡한 처리 순서를 다루고, GPU는 비슷한 계산을 대량으로 동시에 수행하는 데 강점이 있습니다. 그렇다고 바이오 연구 도구를 모두 GPU로 옮기는 것이 정답은 아닙니다. 데이터 정리와 일부 서열 분석에는 CPU가 적합할 수 있고, 많은 숫자의 곱셈과 덧셈을 반복하는 AI 모델에는 GPU가 유리할 수 있습니다. 서열은 단백질이나 DNA를 이루는 구성 단위가 이어진 순서를 뜻합니다. 실제 이점은 도구의 구현과 입력 크기에 따라 달라집니다.
연구에서 더 주의할 부분은 실행 경로의 차이입니다. 도구의 CPU·GPU 모드가 서로 다른 수학 라이브러리나 커널을 사용할 수 있습니다. 커널은 특정 연산을 장치에서 수행하는 작은 프로그램입니다. 데이터를 묶는 방식이나 더하는 순서가 달라지면 마지막 자릿수에도 차이가 생길 수 있습니다. AI 모델 계산에 널리 쓰이는 소프트웨어인 PyTorch도 같은 입력이라도 CPU와 GPU의 계산 결과가 저장된 숫자의 마지막 자리까지 같다고 보장하지 않습니다. [1]
CPU 결과가 언제나 정답이고 GPU 결과가 근사라는 뜻은 아닙니다. 두 경로에서 실제로 어떤 자료형과 알고리즘을 사용했는지가 중요합니다. 반대로 명령에 GPU를 지정했다는 사실만으로 전체 과정이 GPU에서 실행됐다고 볼 수도 없습니다. 입력 자료를 계산에 맞게 정리하는 전처리는 CPU에서, 모델 계산은 GPU에서 수행하는 조합도 흔합니다.
그래서 비교할 때는 같은 파일을 넣었다는 기록에 더해, 전처리와 모델 설정이 같은지, 모델이 학습한 수치인 가중치도 같은 버전인지, 어느 단계가 어느 장치에서 실행됐는지 함께 남겨야 합니다. 같은 연구 질문을 비교하고 있는지부터 맞추는 일입니다.
최신 Blackwell GPU에서도 옛 모델은 바로 실행되지 않았다
이번 검증의 RFantibody 사례가 이를 잘 보여 줍니다. RFantibody는 특정 표적을 알아보고 붙는 단백질인 항체의 후보 구조와 서열을 설계하는 도구입니다. Blackwell은 NVIDIA의 GPU 설계 계열 이름이고, CUDA는 이 회사의 GPU에서 계산을 실행하는 소프트웨어 기반입니다. 2026년 10월 22일 기록에서 기존 CUDA 11.8·PyTorch 2.3.1 조합은 Blackwell 장치에서 no kernel image is available 오류로 멈췄습니다. 해당 장치에서 실행할 수 있는 GPU 코드가 준비되지 않은 상태였습니다.
PyTorch를 2.7.0+cu128로 바꾼 뒤에도 한 번 더 실패했습니다. 실행 도구인 uv run이 미리 기록된 설치 목록에 맞춰 이전 PyTorch를 복원했기 때문입니다. 실행할 때 설치 버전이 되돌아가지 않도록 고정한 뒤에야 예제 파이프라인을 끝낼 수 있었습니다. Chai-1의 10월 24일 검증에서도 배포 패키지의 PyTorch 버전 제한과 선택한 Blackwell 실행 환경 사이의 충돌을 먼저 해결해야 했습니다.
최신 GPU를 갖춰도 연구 도구가 바로 실행되지 않는 이유
연구실에 최신 GPU를 마련하거나 클라우드에서 GPU 서버를 빌렸다고 해서 연구 도구가 바로 실행되는 것은 아닙니다. 설치한 프로그램에 그 장치에서 실행할 수 있는 코드가 있어야 하고, 드라이버와 계산 라이브러리도 호환돼야 합니다. 앞선 사례에서 등장한 sm_120, CUDA, cu128은 이 연결 관계를 확인할 때 만나는 표기입니다.
sm_120은 GPU에서 실행할 코드의 대상을 나타내는 표기입니다. 여기서 120은 NVIDIA가 정한 ‘연산 능력 12.0’을 가리킵니다. 장치가 어떤 기능과 명령을 지원하는지 구분하는 버전이지, 성능 점수가 120점이라는 뜻은 아닙니다. [2]
CUDA는 NVIDIA GPU로 계산하는 프로그램을 만들고 실행하기 위한 소프트웨어 기반입니다. 개발에 사용하는 CUDA Toolkit에는 코드를 장치용으로 바꾸는 컴파일러와 계산 라이브러리 등이 들어 있습니다. 여기에 운영체제에서 GPU를 제어하는 드라이버도 필요합니다. 장치, 드라이버, 개발 도구와 실행 라이브러리는 서로 관련이 있지만 같은 것은 아닙니다. [7]
한편 cu128은 PyTorch 배포에서 CUDA 12.8용으로 만들어진 설치 패키지를 구분하는 표기입니다. sm_120이 실행 코드가 겨냥하는 장치 기능을 가리킨다면, cu128은 설치할 소프트웨어 쪽의 정보입니다. PyTorch 2.7 릴리스는 Blackwell 지원과 함께 이 패키지를 제공했습니다. [3]
실행을 구성하는 요소 | 역할 | 확인할 호환성 |
|---|---|---|
GPU와 코드 대상 | 계산할 장치와 실행 코드가 겨냥하는 아키텍처 | 해당 GPU에서 실행 가능한 코드가 포함돼 있는가 |
GPU 드라이버 | 운영체제에서 장치를 제어하는 소프트웨어 | 사용할 CUDA 실행 환경을 지원하는가 |
CUDA 실행 환경 | GPU 계산에 필요한 소프트웨어 기반 | 드라이버와 계산 라이브러리가 호환되는가 |
PyTorch의 | CUDA 12.8 계열로 빌드된 프레임워크 | 사용할 GPU와 연구 도구의 확장 모듈을 지원하는가 |
연구 프로그램 | 모델과 분석을 실제로 수행하는 도구 | 위 조합에서 해당 입력과 계산 경로가 작동하는가 |
모든 Blackwell이 sm_120인 것은 아닙니다. NVIDIA 공식 표에서 RTX PRO 4000 Blackwell과 RTX 5090은 12.0, B200은 10.0, GB10은 12.1입니다. 같은 세대 이름만 보고 실행 환경을 같게 취급할 수 없습니다. [2]
또 cu128 패키지를 설치했다고 연구 도구가 따로 사용하는 확장 모듈까지 자동으로 호환되지는 않습니다. NVIDIA 설명처럼 장치에 맞는 실행 코드가 있거나, 실행할 때 장치용으로 변환할 수 있는 호환 코드가 있어야 합니다. 후자의 중간 표현을 PTX라고 합니다. [4]
연구자는 이미 연구 질문을 세우고, 데이터를 준비하고, 실험 결과를 해석하는 데 많은 시간을 씁니다. 여기에 GPU에 맞는 패키지를 찾고, 의존성 충돌을 해결하고, 실행할 때 버전이 되돌아가는 문제까지 추적해야 한다면 연구를 시작하기도 전에 부담이 커집니다. 클라우드는 장비를 구하는 수고를 줄여 주지만, 빌린 장치와 연구 도구의 호환성까지 자동으로 보장하지는 않습니다.
그래서 생물학 연구자와 컴퓨터과학·인프라 전문가의 협업이 필요합니다. 연구자는 어떤 입력과 결과가 연구에 의미 있는지 판단하고, 계산 환경을 담당하는 전문가는 그 작업이 일관되게 실행되도록 환경을 구성하고 기록합니다. 실행 실패가 입력의 문제인지, 모델의 제약인지, 설치 환경의 문제인지 함께 구분할 수 있어야 연구가 앞으로 나아갑니다.
GPU 모델, 소프트웨어 빌드, 실제 실행 커널은 각각 확인할 대상입니다. 위 검증 사례는 특정 입력의 실행 성공을 보여 주며, 모든 연구 조건에서의 예측 정확성을 입증하지는 않습니다.
연구도 해야 하는데, 실행 환경까지 직접 만들어야 한다면
연구자는 이미 논문을 읽고, 가설을 세우고, 실험을 설계하고, 데이터를 해석해야 합니다. 새로운 계산 도구를 활용하려고 했는데 GPU 드라이버와 설치 패키지의 버전을 맞추고, 오류 메시지를 추적하고, 부족한 메모리에 맞춰 설정까지 바꿔야 한다면 연구 외에 상당한 일이 더해집니다.
앞서 본 RFantibody 사례에서는 생물학적 입력을 바꿔도 설치 버전이 되돌아가는 문제를 해결할 수 없었습니다. 이런 문제에 시간을 쓰는 동안 정작 알고 싶었던 후보의 성질을 살피는 작업은 시작하지 못합니다. 프로그램이 실행된 뒤에도 환경을 다른 컴퓨터로 옮기거나 라이브러리를 갱신하면 다시 확인해야 할 수 있습니다.
그래서 융합연구는 한 연구자가 생물학과 컴퓨터과학, 인프라 운영을 모두 혼자 맡는다는 뜻이 아닙니다. 연구팀이 서로 다른 전문성을 연결하고, 반복되는 환경 준비는 공동으로 관리하는 방식도 필요합니다. 컴퓨터과학 연구자는 모델과 알고리즘·수치 계산을 다루고, 연구 소프트웨어와 인프라를 맡은 엔지니어는 설치·실행·기록을 안정적으로 유지할 수 있습니다. 조직에 따라 역할을 겸할 수는 있지만, 과학적 질문과 운영 작업에 필요한 책임은 구분할 수 있어야 합니다.
생물학 연구자가 매번 환경을 처음부터 조립하지 않아도 되도록 하면서, 어떤 조건으로 계산했는지는 확인할 수 있게 하는 것. 그 위에서 연구자와 계산 전문가가 결과를 함께 판단하는 것이 협업의 현실적인 모습입니다. 환경을 준비하는 부담은 줄여도, 계산 결과를 해석하는 데 필요한 정보까지 숨겨서는 안 됩니다.
FP16과 FP32는 무엇을 바꾸는가
호환성 문제를 해결하면 다음 질문은 숫자입니다. FP16과 FP32는 명령어 이름이 아니라, 소수점이 있는 수 등을 각각 16비트와 32비트의 공간에 담는 부동소수점 형식입니다. 부동소수점은 숫자의 크기와 유효한 자릿수를 나누어 저장하는 방식입니다. 실제 계산에는 숫자를 처리하는 명령어와 소프트웨어, 중간 결과를 합산하는 방식이 함께 관여합니다.
컴퓨터는 모든 실수를 정확히 저장할 수 없습니다. 정해진 비트 수 안에서 표현 가능한 값으로 반올림합니다. FP16은 FP32보다 적은 공간을 쓰지만 표현 범위와 숫자를 구분하는 간격에도 제약이 큽니다. 이를 바로 볼 수 있는 작은 산술 예가 있습니다.
교육용 예시: 각 연산 뒤 결과를 해당 형식으로 저장하고, 가장 가까운 값으로 반올림하되 정확히 중간이면 짝수 유효숫자 쪽을 고른다고 가정해 2048 + 1 - 2048을 계산해 봅니다. 이 숫자는 단백질 점수나 실험값이 아닙니다.
계산 단계 | FP16 | FP32 |
|---|---|---|
| 2048 | 2049 |
저장한 값에서 2048을 뺌 | 0 | 1 |
FP16에서 2048과 그다음 큰 표현 가능 수는 2050입니다. 중간의 2049는 이 예시의 반올림 규칙에서 2048이 됩니다. 첫 단계에서 사라진 1은 나중에 되찾을 수 없습니다. 입력이 같고 수식도 같아도 저장 형식이 계산 결과에 영향을 주는 것입니다.
더하는 순서도 영향을 줍니다. 같은 FP16에서 괄호 안을 먼저 계산한 2048 + (1 - 2048)은 1이 됩니다. 또 곱셈과 덧셈을 한 번에 처리하는 FMA 명령은 두 연산을 따로 수행할 때와 반올림 횟수가 달라 결과가 달라질 수 있습니다. FMA가 오히려 수학적으로 정확한 값에 더 가까울 수도 있습니다. 이 현상은 GPU의 고장이나 데이터 조작을 뜻하지 않으며, CPU에도 적용되는 수치 계산의 성질입니다. [5]
각 단계에서 지정한 형식으로 반올림한 예시입니다. 실제 모델은 중간 결과를 더 높은 정밀도로 누적할 수 있으므로 이 그림을 모든 FP16 모델의 계산 방식으로 해석하면 안 됩니다.
실제 AI 모델은 여러 정밀도를 섞는 혼합 정밀도를 사용하기도 합니다. 예를 들어 일부 곱셈은 낮은 정밀도로 하고 합계는 FP32로 누적합니다. BF16은 FP16과 같은 16비트지만 숫자의 범위와 세밀함에 비트를 배분하는 방식이 다릅니다. TF32는 지원되는 GPU의 일부 행렬 연산에서 입력 정밀도를 줄여 계산하는 방식입니다. 따라서 “FP32 데이터를 넣었다”는 기록만으로 모든 내부 연산이 같은 정밀도였다고 판단하기 어렵습니다. [1]
낮은 정밀도로 계산하면 메모리 사용량을 줄이거나 처리 속도를 높일 수 있습니다. 문제는 낮은 정밀도를 썼다는 사실 자체보다, 그 선택이 연구 목적에 필요한 결과를 보존하는지 확인하지 않은 채 사용하는 데 있습니다.
수치가 달라졌을 때, 연구 판단도 달라지는가
여기서 생물학 연구자와 컴퓨터과학 연구자의 협업이 필요해집니다. 컴퓨터과학 연구자는 자료형·커널·난수·병렬 처리 방식을 추적하고, 수치해석 관점에서 차이를 조사할 수 있습니다. 생물학·신약개발 연구자는 그 차이가 후보 선정과 후속 실험에 어떤 의미를 갖는지 판단합니다. 한 사람이 두 영역을 아우를 수도 있지만, 연구팀 안에 두 관점이 모두 있어야 합니다.
가상의 상황으로, 두 후보의 예측 점수가 매우 가까울 때 실행 환경에 따른 변동이 그 차이보다 크다면, 한 번의 계산으로 1위와 2위를 단정하기 어렵습니다. 이때 살필 것은 소수점 몇 자리가 바뀌었는지뿐 아니라 후보 순위, 선별 기준 통과 여부, 구조에서 관심을 둔 부위가 얼마나 안정적인지입니다.
모든 출력에 같은 허용 오차를 적용할 수도 없습니다. 분류 결과, 에너지 값, 원자의 위치 좌표는 의미와 단위가 다릅니다. 연구 목적에 맞는 비교 기준을 정한 뒤, 기준 실행과 바뀐 환경을 대조해야 합니다. FP32 결과도 비교 기준일 수는 있지만 생물학적 정답이 되는 것은 아닙니다.
특히 구조 예측의 신뢰도는 모델이 제시한 모양을 얼마나 믿는지에 관한 지표입니다. 실제 결합 세기나 약효와 같은 뜻이 아닙니다. 계산 차이가 작다는 확인, 예측 구조가 타당하다는 판단, 실제로 분자가 결합한다는 실험은 각기 다른 근거입니다.
겹친 선과 후보 카드는 비교 방법을 설명한 개념도입니다. 실제 측정값이나 특정 모델의 정확도 그래프가 아닙니다.
클라우드를 쓰면 계산 조건도 연구 기록이 된다
클라우드는 인터넷으로 외부의 컴퓨터 자원을 빌려 쓰는 방식입니다. 연구팀은 장비를 직접 구입하지 않고도 큰 계산에 필요한 서버나 GPU를 이용할 수 있습니다. 다만 가상 서버나 GPU만 빌리는 서비스라면 운영체제와 라이브러리 설치, 모델 준비와 오류 대응은 여전히 이용자의 몫으로 남을 수 있습니다.
계산 장비에 접근할 수 있는 것과, 연구 도구가 준비된 환경을 이용하는 것은 다릅니다. 환경 구성을 대신 관리하는 서비스나 공용 연구 인프라는 이 부담을 줄일 수 있습니다. 이때도 어떤 모델·입력 범위·장치 조합을 실제로 확인했는지 알 수 있어야 합니다. GPU를 빌렸다는 사실만으로 실행 환경과 연구 조건이 같아지는 것은 아닙니다. 장치 종류뿐 아니라 장치를 구동하는 소프트웨어, 모델과 가중치, 숫자를 계산하는 정밀도 설정이 달라져도 비교 조건은 달라질 수 있습니다.
시드도 기록해야 합니다. 시드는 난수를 생성하는 출발값으로, 후보를 생성하거나 샘플을 뽑는 과정을 다시 비교하는 데 도움이 됩니다. 다만 시드를 같게 두더라도 CPU·GPU나 라이브러리 버전을 넘어서 동일 결과가 보장되지는 않습니다. [6]
연구팀에 필요한 기록은 복잡한 운영 로그 전체라기보다, 어떤 입력을 어떤 모델과 환경에서 어떤 조건으로 계산했는지 다시 확인할 수 있는 연결입니다. 원본 입력과 전처리, 모델·가중치 버전, 실행 이미지, 장치, 정밀도, 시드, 출력 파일이 함께 남아야 합니다. 오류와 재시도 이력도 있어야 성공한 결과가 어떤 경로로 만들어졌는지 알 수 있습니다.
비용 역시 연구 설계와 연결됩니다. 같은 예산에서 많은 후보를 한 번씩 계산할지, 적은 후보를 여러 조건에서 반복해 볼지는 다른 연구입니다. 총 실행 시간과 실패·재시도 비용까지 알아야 어떤 비교에 자원을 쓸지 결정할 수 있습니다. 계산을 빠르게 만드는 전문성과, 반복해서 확인할 질문을 고르는 전문성이 만나는 지점입니다.
입력·환경·결과·재시도를 함께 남기면, 다음 실행에서 달라진 조건을 추적할 수 있습니다. 연구팀에 필요한 기록을 설명한 도식입니다.
함께 정해야 하는 것은 ‘무엇을 믿을 것인가’다
앞에서 본 호환성과 반올림 문제는 설치나 숫자 처리의 문제처럼 보입니다. 하지만 그 계산으로 실험할 후보를 고른다면, 무엇을 비교했고 어디까지 믿을 수 있는지를 연구팀이 함께 알아야 합니다. 계산의 조건과 생물학적 해석을 따로 떼어 놓기 어려워지는 것입니다.
협업은 연구자가 문제를 던지고 엔지니어가 서버를 켜 주는 분업에서 더 나아가야 합니다. 연구 시작 단계에서 어떤 입력이 질문을 표현하는지 함께 정하고, 실행 전에 무엇을 고정하고 무엇을 비교할지 합의하며, 결과를 받은 뒤 수치 차이가 다음 실험을 바꿀 만큼 의미 있는지 같이 판단해야 합니다.
생물학적 질문이 정확해야 계산이 쓸모 있고, 계산 과정이 검증돼야 결과의 의미를 해석할 수 있습니다. 그리고 실험 결과가 돌아오면 모델의 가정과 평가 기준도 다시 살펴야 합니다. 신약개발에서 두 분야가 함께 연구해야 하는 이유는 더 많은 계산을 하기 위해서만이 아니라, 어떤 계산 결과를 근거로 다음 실험을 결정할지 함께 책임지기 위해서입니다.
참고문헌
PyTorch. Numerical accuracy. 2.9 공식 문서. CPU·GPU 차이, TF32, FP16·BF16 중간 누적. 2026-10-25 확인.
NVIDIA. CUDA GPU Compute Capability. 장치별 연산 능력 공식 표. 2026-10-25 확인.
PyTorch Team. PyTorch 2.7 Release. 공식 릴리스 안내, 2025-04-23. Blackwell·CUDA 12.8 지원 절. 2026-10-25 확인.
NVIDIA. Blackwell Compatibility Guide. 공식 호환성 문서. 바이너리·PTX 호환 원리. 2026-10-25 확인.
NVIDIA. Floating Point and IEEE 754. 공식 기술 문서. §2.1–2.3 수 표현·연산 순서·FMA. 2026-10-25 확인.
PyTorch. Reproducibility. 2.9 공식 문서. 난수 제어와 환경 간 재현성의 한계. 2026-10-25 확인.
NVIDIA. NVIDIA CUDA Toolkit. 공식 제품·개발 문서. Toolkit의 컴파일러·계산 라이브러리·런타임 구성. 2026-10-25 확인.