GPU 가속 고정밀 희소 신호 시뮬레이션 패키지 TRED

초록

본 논문은 차세대 중성미자 검출기인 DUNE ND‑LAr의 픽셀화 전하 읽출을 위해 GPU 기반 시뮬레이션 프레임워크 TRED를 소개한다. 주요 기여는 (i) 가우스‑레젠드르 적분을 이용한 효과 전하(effective‑charge) 계산과 (ii) 블록‑희소 텐서 구조를 활용한 FFT 기반 전류 합성이다. 이 두 기법은 서브‑그리드 구조를 정확히 재현하면서 메모리 사용량을 최소화하고, 대규모 희소 데이터에 대해 선형에 가까운 확장성을 제공한다. 실험 결과는 메모리 절감과 실행 시간 단축을 입증한다.

상세 분석

본 연구는 LArTPC(Liquid Argon Time Projection Chamber) 검출기의 물리적 특성을 GPU 친화적인 알고리즘으로 변환하는 데 초점을 맞춘다. 첫 번째 핵심 기법은 가우스‑레젠드르(Gauss‑Legendre) 적분을 이용해 연속적인 전하 분포를 효과 전하(Q_eff) 형태로 이산화하는 것이다. 전하가 실제로는 연속적인 3차원 Gaussian 확산을 겪지만, 저자들은 각 cuboid(소격자 셀) 내부에서 고정된 적분 노드와 가중치를 사용해 정확히 적분한다. 이를 통해 전통적인 밀집 그리드 방식에서 요구되는 수천 개의 샘플 포인트를 대폭 줄이면서도, 서브‑그리드 수준의 공간 해상도를 유지한다.

두 번째 기여는 블록‑희소 텐서 구조이다. 검출기 전체 부피를 일정 크기의 블록으로 나누고, 동일한 좌표를 갖는 블록을 집계해 유일한 블록 집합을 만든다. 각 블록은 (i, j, k) 인덱스로 식별되며, 주변 26개의 이웃 블록과 함께 트릴리니어 보간 계수(u)로 전하를 재분배한다. 이렇게 구성된 Q_eff 텐서는 매우 희소하므로, 전통적인 FFT 기반 컨볼루션을 적용할 때 전체 그리드에 대한 FFT를 수행할 필요가 없고, 블록 단위로 배치화된 FFT를 수행한다. 이 방식은 메모리 사용량을 O(N_sparse) 수준으로 낮추고, GPU의 대규모 병렬 처리 능력을 효율적으로 활용한다.

GPU 구현 측면에서 저자들은 PyTorch를 기반으로 하여 자동 미분 및 텐서 연산 최적화를 활용한다. CUDA 커널은 블록‑희소 텐서의 인덱싱, 가중치 적용, FFT 변환을 각각 독립적인 스트림으로 실행해 연산 파이프라인을 겹치게 만든다. 결과적으로 GPU 메모리 점유율은 전체 채널(≈5 × 10⁵) 대비 5 ~ 10 % 수준에 머무르며, 대규모 시뮬레이션에서도 메모리 부족 오류가 발생하지 않는다.

성능 벤치마크에서는 CPU 기반 C++ 구현 대비 평균 12배 가속을 달성했으며, 블록‑희소 구조를 사용하지 않은 경우 메모리 사용량이 8배 이상 증가하고 실행 시간이 3배 이상 늘어나는 것을 확인했다. 또한, 적분 노드 수를 늘려도 Q_eff 계산 비용이 선형적으로 증가하므로, 필요에 따라 정밀도를 조절할 수 있다.

한계점으로는 (1) 블록 크기와 희소성 임계값을 선택하는 것이 워크로드에 따라 성능에 큰 영향을 미치며, 자동 튜닝이 필요하다. (2) 현재 구현은 정적 전하 분포에만 적용 가능하고, 동적 전하 재분포(예: 전자 재결합 후 재배치)에는 추가 모델링이 요구된다. (3) FFT 기반 컨볼루션은 주기적 경계 조건을 가정하므로, 실제 검출기 경계에서 발생하는 비주기적 효과는 별도 보정이 필요하다.

전반적으로 이 논문은 LArTPC와 같은 대규모 희소 물리 시뮬레이션에 GPU 가속과 희소 텐서 기법을 성공적으로 결합한 사례를 제시하며, 향후 다른 입자 검출기나 의료 영상 시뮬레이션 등에서도 적용 가능성을 열어준다.