simul/PROGRESS.md

simul PROGRESS — 학습자 대시보드

지금 어디인가, 다음 한 단위는 무엇인가, 전체 학습 자산은 얼마나 쌓였는가.

ROADMAP.md = WHY / WHERE-TO. 본 문서 = WHERE-AM-I / WHAT-NEXT. 매 작업 후 직접 갱신한다. 자동화는 의도적으로 도입하지 않음 — 갱신 자체가 학습자의 진척 실감 의 일부.

---

0. 한눈에 (전체 진척률)

컷라인	목표 단위	누적 LOC 목표	Tier-1 목표	현재 LOC	현재 Tier-1	진척
6개월 MLP	M0 → M2	~3K	22	~3.0K	2	▓▓░░░░░░░░ 12%
1년 MVP	+ M3,M4	~6K	26	~3.0K	2	▓░░░░░░░░░ 6%
2년 Stretch	+ M5,M7,M8	~9K	44	~3.0K	2	▓░░░░░░░░░ 3%

LOC 측정 기준: tokei -e target -e .git -e .team-output simul-* simul. Tier-1 카운트: simul-*/tests/*_openmm.rs 파일 중 _template_openmm.rs 제외.

---

1. 마일스톤 진척

범례: ✅ 완료 · 🔄 진행중 · ⬜ 미착수 · 🚫 차단 · ⏭ 스킵

M0 — 완료 (선행 작업)

• simul-core trait 골격 (StateSpace / Dynamics / Interaction / SystemState)
• VerletDynamics, LangevinDynamics(BAOAB), OverdampedLangevinDynamics
• HarmonicBondInteraction (host serial + Tier-1)
• NonbondedInteraction (NoCutoff, LJ + Coulomb, host serial + Tier-1)
• Simulation builder + iterator
• simul-io (PDB / XYZ)

M0+ — 즉시 (2–3주, ~1.7K LOC, +12 Tier-1)

디테일: learning/M0+.md

#	단위	상태	시간	LOC	Tier-1	패턴	비고
1	simul-lattice/ canary (1D random walker)	⬜	1주	~200	(+1 canary)	P2	4중 방어선 §11.6-(a). 추상 결정의 데이터 포인트 #2.
2	추상 재설계 결정 (Handle을 simul-core로 lift할지)	⬜	한나절	—	—	P1	canary 결과 기반. ROADMAP §6 P1 갱신.
3	Trait 정렬 (Interaction ↔ EuclideanInteraction)	⬜	한나절~1일	~50	—	P1	(2)에서 결정한 모양으로.
4	RMSDForce → RmsdInteraction<D>	⬜	1–2일	~150	+1	P1	Theobald–Liu quat align
5	RGForce → RgInteraction<D>	⬜	1일	~80	+1	P1	단순 — Σ|r−r_cm|²/N
6	OrientationRestraintForce	⬜	2일	~150	+1	P1	rotation matrix
7	AndersenThermostat → Thermostat trait	⬜	1일	~120	+1	P12	VelocityModifier 패턴 정착
8	Tier-1 wrapper 14건 (Verlet/Langevin/Brownian 단발 + System/Spline/SplineFitter/MultipleForces 등)	⬜	며칠	~600	+14 (현재 2 → 16)	—	T5 addendum §3 게이팅 표

M0+ DoD:

• cargo test --workspace 통과
• cargo test -p simul-lattice 통과 (canary)
• 기존 두 Tier-1 테스트가 trait fix 후에도 통과
• learning/canary-check.md 의 마일스톤 게이트 ✅

M1 — Bonded 분자 (4–6주, +0.7K LOC, +4 Tier-1)

#	단위	상태	패턴
1	HarmonicAngleForce	⬜	P1 (HarmonicBond 패턴 그대로)
2	PeriodicTorsionForce	⬜	P1
3	RBTorsionForce (Ryckaert–Bellemans)	⬜	P1
4	CMAPTorsionForce (CHARMM CMAP)	⬜	P1 + bicubic spline

M1 컨텍스트는 M0+ 종료 후 learning/todo-generator.md 로 자동 생성. 결과를 learning/M1.md 로 저장.

M2 — PBC + Neighbor list (2–3개월, +0.8K LOC, +4 Tier-1) ⬜

핵심 단위: PBC infra · Cell list · CMMotionRemover · NB(CutoffPeriodic) · GBSAOBC · LCPO · GayBerne

M3 — Constraint + Minimizer (2–3개월, +1.8K LOC, +2 Tier-1) ⬜

핵심 단위: SETTLE → SHAKE · LBFGS minimizer · VariableVerlet · CompoundIntegrator +2주: VerletDynamics trait 의 constraint solver type parameter 리팩터.

M4 — Barostat NPT (1–2개월, +1K LOC, +2 Tier-1) ⬜

핵심 단위: BoxModifier trait · MonteCarloBarostat (+ Anisotropic) · bincode + TOML serialization 검토 게이트: CUDA 백엔드 옵션 도입 (CubeCL Phase 2 진입).

M5 — PME / Ewald (3–6개월, +1.5K LOC, +4 Tier-1) ⬜ ⚠️ 위험 구간

핵심 단위: NB(PME) · Ewald · DispersionPME

devil-advocate 경고: 단독 3–6개월. 반년 묶일 위험 가장 큼.

M6 — Lepton (옵션, +6–12개월, +12 Tier-1) ⏭

M5 종료 후 별도 결정. 채택 시 2년 → 2.5–3년.

M7 — NoseHoover + 통계 (1–2개월, +1 Tier-1 + Tier-2 H̄) ⬜

M8 — VirtualSite (1–2개월, +1 Tier-1) ⬜

---

2. 학습 자산 카운터

자산	현재	목표 (2년)	비고
Rust LOC (구현)	~3.0K	~9K	tokei 기준
Tier-1 테스트 (*_openmm.rs)	2	32–44	Lepton 채택 여부
Tier-2 fixture (*_openmm_stats.rs)	0	12+5	통계 비교
OpenMM-Python reference 스크립트 (tests/reference/*.py)	2	~30	truth source
정책 결정 완료	1 / 8	8 / 8	§3
4중 방어선 (M0+)	0 / 4	4 / 4	§4

---

3. 정책 결정 status (ROADMAP §9)

#	정책	결정	시점
1	Lepton DSL	1차 미도입, M5 종료 후 재평가	M0+ ✅
2	Serialization (input)	미정 (TOML 권장)	M2
3	Serialization (checkpoint)	미정 (bincode 권장)	M4
4	다중 백엔드 (M0–M3)	미정 (ndarray+rayon 권장)	M0+
5	PBC	미정 (orthorhombic M2, triclinic M5)	M2
6	Constraint (1차)	미정 (SETTLE 권장)	M3
7	NeighborList	미정 (cell list host 권장)	M2
8	PME 구현 깊이	미정 (Ewald → SPME host)	M5

정책 결정은 단순히 결심 이 아니라 DESIGN.md / ROADMAP.md 갱신 으로 락된다. PROGRESS.md 는 미러.

---

4. 4중 방어선 status (ROADMAP §11.6)

방어선	정의	상태	점검 방법
(a) Lattice canary	simul-lattice/ + 1D random walker	🔴 미설치	cargo test -p simul-lattice
(b) 책임 경계 강제	MD-specific 타입은 simul-euclidean 에	⬜ 정책만	learning/canary-check.md
(c) 확장 trait 패턴	MdSystemExt 패턴, 핵심 struct 최소	⬜ 정책만	code review
(d) 마일스톤 게이트 점검	매 마일스톤 종료 시 (a)~(c) 통과 확인	⬜ M0+ 게이트 미실행	learning/canary-check.md

(a) 가 핵심. 작동하는 lattice 코드가 한 줄이라도 있으면 trait drift 를 즉시 잡는다.

---

5. Tier-3 인용 카탈로그 status (tests/UPSTREAM_TESTS.md)

카테고리	인용된 OpenMM 파일	status
플랫폼 래퍼	~250	✅ 인용 (사유 §3.1)
Custom* + CustomIntegrator	13	✅ 인용 (사유 §3.2)
Plugin (amoeba/drude/rpmd/cpupme)	22	✅ 인용 (사유 §3.3)
Serialization (core+plugin)	48	✅ 인용 (사유 §3.4)
Vectorize	4	✅ 인용 (사유 §3.5)
GPU runtime util	~8	✅ 인용 (사유 §3.6)
Python E2E	37	✅ 인용 (사유 §3.7)
ATMForce / Parser	2	✅ 인용 (사유 §3.8)
인용 합계	~384	OpenMM 총합 ~376 (백엔드 중복 포함)

---

6. 다음 한 단위 (지금 무엇)

⏭ simul-lattice canary (1D random walker) (M0+ #1, 1주)

이유: trait 추상 재설계의 데이터 포인트 #2 확보 — Handle을 simul-core로 lift할지를 예측이 아니라 발견으로 결정하기 위함. 4중 방어선 §11.6-(a) 살아있는 가드레일도 동시 설치. 1D random walker는 simul-core trait만 사용 — ForceInteraction 부정합과 독립이므로 trait fix 선행 불필요.

디테일: learning/M0+.md §1.

다음 단위 변경 시 본 §6 만 갱신.

---

7. 사용 사이클 (learning/README.md 요약)

PROGRESS.md (지금 어디)
   ↓
learning/M{N}.md 또는 todo-generator.md (다음 무엇)
   ↓
직접 코드 작성 (사람)
   ↓
learning/review-rubric.md (self-review)
   ↓
learning/canary-check.md (마일스톤 게이트)
   ↓
PROGRESS.md 갱신 — 다음 사이클

---

8. 갱신 룰

매 작업 (1단위) 종료 시:

1. 해당 마일스톤 표의 ⬜ → ✅ + LOC / Tier-1 수치 갱신
2. §0 진척률 막대 갱신
3. §2 카운터 갱신
4. §6 다음 한 단위 변경

매 마일스톤 종료 시: 5. §1 마일스톤 헤더에 완료 날짜 기재 6. §4 4중 방어선 게이트 통과 표시 7. ROADMAP.md §8 마일스톤 표의 누적 LOC / Tier-1 의 실측치 가 추정과 ±20% 이상 차이나면 ROADMAP 시간 추정 재조정 (devil-advocate verdict 의 약속)

매 정책 결정 시: 8. §3 표 갱신 + DESIGN.md / ROADMAP.md 동기화 PR