GPU 가속 Julia 기반 3차원 중력 모델링·역전 프레임워크

초록

본 논문은 Julia 언어로 구현한 백엔드‑agnostic 프레임워크를 제시한다. 데이터‑스페이스 역전 방식을 채택해 모델 차원을 축소하고, KernelAbstractions.jl을 이용해 CPU와 CUDA GPU 양쪽에서 동일한 커널 코드를 실행한다. 대규모(≈330만 개 직육면체) 모델에 대해 GPU가 CPU 대비 1~2 order of magnitude 빠른 성능을 보이며, 합성 및 현장 데이터 실험을 통해 깊이 가중 감도와 암시적 제약을 활용한 고해상도 밀도 모델을 성공적으로 복원한다.

상세 분석

이 연구는 3차원 중력 역전 문제의 근본적인 두 가지 난제—모델 차원의 폭발적 증가와 비선형·비정규성—에 대해 데이터‑스페이스(formulation) 접근법을 적용함으로써 메모리와 연산량을 크게 절감한다. 전통적인 모델‑스페이스 역전은 민감도 행렬 C(관측 수 N × 모델 파라미터 수 M)의 직접 구축과 (CᵀW_d⁻¹C + W_m)⁻¹ 연산을 요구하는데, M이 10⁵~10⁶ 수준이면 메모리 초과와 연산 지연이 불가피하다. 저자들은 행렬 항등식 (W_m Cᵀ(C W_m Cᵀ + W_d)⁻¹) 형태로 변환해 N × N 규모의 시스템만을 풀도록 재구성하였다. 이는 관측 데이터 수가 모델 파라미터보다 현저히 적은 경우에 특히 유리하며, 데이터‑스페이스 역전이 제공하는 자연스러운 정규화 효과와 깊이 가중 감도(depth‑weighted sensitivity) 적용을 통해 깊이 감쇠 문제를 완화한다.

프레임워크의 핵심은 KernelAbstractions.jl 기반의 백엔드‑agnostic 커널 추상화이다. CUDA, AMD, Apple Metal 등 다양한 GPU 백엔드와 멀티코어 CPU를 동일한 Julia 소스 코드로 실행할 수 있게 함으로써, 하드웨어 의존성을 최소화하고 유지보수 비용을 크게 낮춘다. 구현 시 전역 메모리(민감도 행렬), 공유 메모리(셀 파라미터), 상수 메모리(물리 상수) 등을 전략적으로 배치해 메모리 대역폭과 연산 효율을 최적화하였다. 실험 결과, 10³ 이하의 작은 모델에서는 초기화와 데이터 전송 오버헤드 때문에 CPU가 약간 우세했지만, 10⁴10⁶ 규모에서는 GPU가 연산량을 대규모 병렬화하여 실행 시간을 2030 초 수준으로 단축, CPU는 10³ 초를 초과하는 현저한 차이를 보였다. 3.3 × 10⁶ 셀을 초과하는 경우 현재 GPU 메모리 한계로 실행이 제한되었으며, 이는 향후 메모리‑분산 전략이나 멀티‑GPU 확장으로 해결 가능하다.

정규화 측면에서는 L₂ 정규화 기반의 가중 행렬 W_m을 사용하면서도, 깊이 가중 감도를 도입해 얕은 영역에서 과도한 감쇠를 방지하고, 지질학적 일관성을 유지한다. 합성 테스트에서는 두 개의 독립적인 고밀도 블록과 경사 다이크를 정확히 복원했으며, 경계 부근에서 약간의 스무딩이 발생했지만 이는 중력 데이터의 비유일성 및 정규화 효과와 일치한다. 현장 데이터 적용에서는 기존 지질 해석과 높은 일치성을 보이며, GPU 가속 덕분에 실무에서 요구되는 빠른 반복 역전이 가능함을 입증한다. 전반적으로 이 프레임워크는 고성능 컴퓨팅과 데이터‑스페이스 역전의 결합을 통해 대규모 중력 역전 워크플로우를 실용적인 수준으로 끌어올렸으며, Julia의 고수준 문법과 GPU 추상화가 과학·공학 분야에서의 생산성 향상에 기여할 수 있음을 보여준다.