대규모 데이터 병렬을 위한 하이브리드 슈퍼컴퓨터 프레임워크

초록

**
본 논문은 Cactus 기반의 새로운 데이터 병렬 프레임워크를 제안하고, 이를 이용해 3차원 CFD 코드를 구현해 PETASCale·EXASCale 하이브리드 시스템에서 성능 향상을 입증한다.

**

상세 분석

**
이 연구는 현재 HPC 분야에서 GPU와 CPU를 결합한 이종 시스템이 급증함에 따라, 개발자가 저수준 CUDA·OpenCL 코드를 직접 최적화해야 하는 부담을 크게 줄이고자 하는 목표에서 출발한다. 기존에 Merge, Zippy, BSGP, CUDA‑lite 등 다양한 추상화 도구가 제시되었지만, 각각이 지원하는 하드웨어 범위가 제한적이거나 기존 코드와의 호환성이 낮다는 한계를 가지고 있다. 논문은 이러한 문제점을 보완하기 위해 Cactus라는 오픈소스 과학 컴퓨팅 프레임워크 위에 ‘데이터 병렬 드라이버’를 설계한다. 핵심 아이디어는 모듈형(thorn) 구조와 전역 그리드 레벨 데이터 분할을 활용해, 사용자는 물리 모델을 구현하는 thorn만 작성하면 되고, 데이터 이동, 메모리 관리, GPU 커널 호출 등 복잡한 저수준 작업은 드라이버가 자동으로 수행한다는 점이다.

프레임워크는 MPI 기반의 도메인 분할과 CUDA 스트림을 결합한 Hybrid MPI‑CUDA 스케줄러를 도입한다. 각 MPI 프로세스는 자신이 담당하는 서브도메인 데이터를 GPU 메모리로 전송하고, 비동기 스트림을 통해 겹치는 영역(halo) 교환과 계산을 동시에 진행한다. 이를 통해 통신‑연산 겹침(overlap) 효과를 극대화하고, GPU 자원의 활용률을 80 % 이상 유지한다. 또한, 자동 튜닝 모듈이 런타임 시 블록·스레드 크기, 메모리 접근 패턴, 데이터 압축 옵션 등을 탐색해 최적 파라미터를 선택한다. 이러한 자동화는 기존에 수작업으로 수행되던 파라미터 조정 과정을 크게 단축시킨다.

논문은 프레임워크의 실효성을 검증하기 위해 3차원 유체역학(CFD) 코드인 ‘Cactus‑CFD’를 구현하였다. 이 코드는 유한 차분 방식의 Navier‑Stokes 방정식을 풀며, 압축성 흐름, 난류 모델, 경계 조건 등을 모듈화된 thorn으로 제공한다. 실험 결과, 동일한 물리 모델을 CUDA‑lite 기반으로 구현한 버전 대비 평균 1.8배, 기존 MPI‑only 버전 대비 2.5배 이상의 스루풋 향상을 보였다. 특히, 64 GPU·1024 CPU 코어 규모의 노드에서 강력한 확장성을 확인했으며, 효율은 90 % 이상 유지되었다.

이와 같이, 제안된 프레임워크는 코드 재사용성, 이식성, 성능 자동 최적화라는 세 축을 동시에 만족시킨다. 향후 exascale 시대에 요구되는 복합 메모리 계층(HBM, NVRAM)과 새로운 가속기(예: AI 전용 Tensor Core)까지 확장 가능한 설계가 돋보이며, 과학자와 엔지니어가 하드웨어 세부 사항에 얽매이지 않고 물리 모델링에 집중할 수 있는 환경을 제공한다는 점에서 큰 의의를 가진다.

**