Hugging Science 과학 ML 리소스 탐색기

무엇을 해주나

• huggingscience.co의 큐레이션 카탈로그(llms.txt, llms-full.txt, topics/<슬러그>.md)를 가져와 과학 분야별 데이터셋·모델·블로그·Spaces를 찾아줍니다.
• 17개 도메인(astronomy, biology, chemistry, climate, genomics, materials-science, medicine, physics 등)으로 작업을 매핑하고, 동봉된 scripts/fetch_catalog.py로 구조화된 검색·필터링을 수행합니다.
• 선택한 리소스를 실제로 사용하는 방법까지 안내합니다: datasets로 대용량 코퍼스 스트리밍 로딩, transformers/HF Inference API로 모델 실행, gradio_client로 BoltzGen 등 Space 호출.
• 규모·라이선스·모달리티·최신성 기준으로 후보 2~3개를 비교해 제시하고, 방법론 블로그 링크를 인용하도록 유도합니다.
• 게이트된 리소스를 위한 HF_TOKEN은 .env에서 읽고 토큰을 하드코딩하지 않도록 규칙을 정해 둡니다.

이런 분께 추천

• 단백질·유전체·분자·결정구조·기상 데이터로 ML을 하는 연구자, 대학원생
• 과학 논문의 ML 파이프라인을 재현하거나 과학 벤치마크로 평가해야 하는 엔지니어
• 어떤 과학 모델·데이터셋을 골라야 할지 몰라 HF Hub를 헤매는 분

활용 예시

1. "내 단백질 서열 분류에 쓸 만한 모델 추천해줘" → biology 토픽을 받아와 ESM2 35M/650M, Evo-2 등을 규모·비용 기준으로 비교 제시.
2. "타깃 단백질 바인더를 하나만 설계해보고 싶다" → 로컬 설치 대신 gradio_client로 hugging-science의 BoltzGen Space 호출.
3. "수십 GB 유전체 코퍼스로 파인튜닝 준비" → load_dataset(..., streaming=True)로 스키마를 먼저 확인한 뒤 학습 스크립트 구성, 방법론 블로그 링크 첨부.

주의: 카탈로그는 큐레이션이라 모든 리소스를 담지 않으며, 등재되었다는 사실이 코드 검증을 뜻하지는 않습니다. trust_remote_code=True가 필요한 모델은 실행 전 확인이 필요합니다.

이 파일의 지시를 읽고 그대로 따라서 나를 도와줘:
https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/HEAD/skills/hugging-science/SKILL.md

내가 원하는 것: (여기에 하고 싶은 일을 쓰세요)

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 K-Dense-AI/scientific-agent-skills 의 skills/hugging-science 폴더를 내 ~/.claude/skills/hugging-science/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.