GPU 가속 OPM Flow 시뮬레이터 성능 비교와 평가

초록

본 논문은 오픈소스 저류층 시뮬레이터 OPM Flow의 핵심 선형 솔버인 ILU0‑preconditioned BiCGStab을 GPU로 이식하고, OpenCL 수작업 커널과 cuSparse, rocSparse, amgcl 등 최신 GPU 라이브러리를 통합한 뒤, 5만 셀 규모의 NORNE 모델부터 100만 셀 규모의 대형 모델까지 세 가지 사례에 대해 성능을 측정한다. 결과는 단일 듀얼‑스레드 MPI 프로세스 대비 최대 5.6배 가속을 보였으며, GPU 한 대가 8개의 듀얼‑스레드 MPI 프로세스와 동등한 처리량을 제공함을 보여준다.

상세 분석

이 연구는 저류층 흐름 시뮬레이션에서 가장 많은 연산 시간을 차지하는 선형 시스템 해결 단계에 초점을 맞추었다. OPM Flow는 기본적으로 DUNE‑ISTL 라이브러리를 이용해 BiCGStab과 ILU0 전처리를 수행하는데, 이는 CPU 기반 멀티코어 환경에서 최적의 성능을 보인다. 그러나 ILU0 전처리와 BiCGStab 반복 과정은 셀 간 의존성이 강해 병렬화가 어려운 구조적 특성을 가진다. 논문은 이러한 병목을 GPU의 SIMD 특성에 맞추어 재구성한다.

첫 번째 기여는 OpenCL 기반 수작업 커널을 직접 구현한 점이다. 여기서는 행렬‑벡터 곱, 전방/후방 대입, 그리고 BiCGStab의 핵심 연산을 각각 워크그룹 단위로 분할하고, 메모리 접근 패턴을 최적화해 전역 메모리 트래픽을 최소화하였다. 두 번째 기여는 기존 상용·오픈소스 라이브러리(cuSparse, rocSparse, amgcl)를 브릿지 코드로 OPM Flow에 연결한 것이다. 각 라이브러리는 자체적인 스파스 포맷과 전처리 기법을 제공하므로, OPM Flow의 BCRSMatrix를 변환하는 오버헤드와 변환 비용을 정량적으로 평가하였다.

실험에서는 세 가지 모델을 사용했다. 작은 모델(NORNE, 약 5 × 10⁴ 활성 셀)은 메모리 대역폭 제한이 크게 작용하지 않아 GPU 가속 효과가 제한적이었지만, 중간 모델(≈2 × 10⁵ 셀)에서는 OpenCL 커널이 3.8배, cuSparse가 4.2배, rocSparse가 4.5배 가속을 기록했다. 가장 큰 모델(≈10⁶ 셀)에서는 데이터 이동 비용이 상대적으로 감소하고 연산량이 급증함에 따라 GPU 가속 비율이 최고 5.6배에 달했다. 특히, AMD GPU에서 rocSparse를 사용할 경우 전처리 단계에서 ILU0의 스파스 구조를 유지하면서도 메모리 병목을 효과적으로 회피해 전체 실행 시간이 크게 단축되었다.

CPU와 GPU의 스케일링 비교에서는, 동일한 하드웨어에서 듀얼‑스레드 MPI 프로세스를 8개까지 늘렸을 때 얻는 성능 향상이 GPU 한 대가 제공하는 가속과 거의 동일함을 확인했다. 이는 현재 GPU 가속이 멀티코어 CPU 클러스터와 경쟁할 수 있는 수준임을 의미한다. 다만, GPU 메모리 용량이 제한적인 경우(예: 12 GB 이하) 대형 모델에서는 메모리 오버플로우가 발생해 성능이 급격히 저하되므로, 메모리 관리와 압축 스키마가 향후 연구 과제로 남는다.

전반적으로 이 논문은 저류층 시뮬레이션 분야에서 GPU 활용 가능성을 실증적으로 입증했으며, OpenCL 기반 직접 구현과 상용 라이브러리 통합 두 가지 접근법을 모두 제공함으로써 연구자와 산업 현장이 자신의 하드웨어 환경에 맞는 최적의 솔루션을 선택할 수 있게 했다.