ISC 함부르크에서 공개된 NVIDIA의 과학 AI 소프트웨어 3종

NVIDIA GPU는 이제 AI 모델 학습을 넘어 복잡한 과학 시뮬레이션과 대규모 데이터 분석의 표준 장비로 자리 잡았다. 하지만 실제 연구 현장에서는 GPU의 강력한 연산 성능을 쓰기 전 단계, 즉 데이터를 수집하고 정제하는 과정에서 CPU의 처리 속도 한계로 인해 전체 공정이 멈추는 병목 현상을 자주 겪는다. NVIDIA는 최근 함부르크에서 개최된 ISC 컨퍼런스에서 이러한 연구 전 과정의 병목을 해결하기 위해 데이터 수집부터 최종 분석까지를 GPU 파이프라인으로 통합하는 전용 소프트웨어 3종을 발표했다.

이번에 공개된 핵심 제품은 NVIDIA DAQIRI, NVIDIA ALCHEMI NIM, 그리고 NVIDIA cuPhoton이다. 이 도구들의 공통 목적은 기존에 CPU 환경에서 처리했을 때 수 시간에서 수일이 걸리던 무거운 작업들을 실시간 GPU 가속 파이프라인으로 전환하는 것이다. 데이터가 생성되는 즉시 GPU 메모리로 올려 처리함으로써, 연구자가 분석 결과를 기다리며 낭비하는 시간을 없애고 실험의 회전율을 극대화하는 구조를 지향한다. 이는 단순한 속도 향상을 넘어 연구의 호흡 자체를 실시간으로 바꾸려는 시도다.

이 소프트웨어들은 NVIDIA CUDA-X라는 상위 프레임워크의 일환으로 제공된다. CUDA-X는 AI와 고성능 컴퓨팅(High-Performance Computing) 전반에서 성능을 끌어올리기 위해 설계된 라이브러리와 도구들의 모음이다. 개별 소프트웨어가 단독으로 작동하는 방식이 아니라, CUDA-X라는 표준화된 생태계 위에서 데이터 수집, 시뮬레이션, 시각화 도구들이 유기적으로 연결된다. 결과적으로 연구자는 각 단계마다 서로 다른 하드웨어 가속기를 설정할 필요 없이, 하나의 통합된 GPU 워크플로 안에서 전체 연구 과정을 관리할 수 있게 된다.

실무자가 이 도구들을 도입할 때 고려해야 할 판단 기준은 현재 워크플로에서 데이터가 어디에 머물러 있는가 하는 점이다. 특히 센서나 검출기에서 생성된 데이터가 CPU 메모리를 거쳐 저장 장치로 이동하고, 다시 분석을 위해 로드되는 과정에서 발생하는 지연 시간이 전체 연구 기간의 상당 부분을 차지한다면 GPU 가속 라이브러리로의 대체가 필요하다. CPU 기반의 순차적 처리 방식을 GPU 기반의 병렬 파이프라인으로 전환했을 때, 데이터 로딩과 기초 연산에서 어느 정도의 시간 이득을 볼 수 있는지 구체적인 수치로 가늠하는 것이 도입의 첫걸음이다.

DAQIRI부터 ALCHEMI까지, 도메인별 가속 작동 방식

연구원이 고속 센서에서 쏟아지는 데이터를 지켜보다가 저장 속도가 따라가지 못해 데이터가 유실되는 순간을 마주한다. NVIDIA DAQIRI(Data Acquisition for Integrated Real-time Instruments)는 이런 병목을 해결하기 위해 고속 검출기와 센서 데이터를 소프트웨어로 직접 스트리밍하는 네트워킹 라이브러리를 제공한다. 기존 시스템은 고정된 하드웨어에 종속되어 장비의 데이터 생성 속도가 저장 속도보다 빠르면 데이터를 버려야 하는 한계가 있었다. DAQIRI는 데이터가 도착하는 즉시 스트림으로 처리하여 유실 없이 실시간으로 소프트웨어 파이프라인에 전달함으로써 데이터 수집 단계의 손실을 차단한다.

천문학이나 레이저 실험처럼 다차원 데이터 분석이 필요한 영역에서는 NVIDIA cuPhoton이 참조 코드로 작동한다. cuPhoton은 망원경, X-레이, 레이저 실험에서 수집한 페타바이트 규모의 데이터를 로드하고 분석하며 시각화하는 과정을 수행한다. 단순히 파일을 읽는 수준을 넘어 CUDA-X 기술들과 결합해 데이터 수집부터 최종 분석까지 이어지는 엔드 투 엔드 가속 파이프라인을 구축하는 기반이 된다. 이를 통해 천체 물리학자들은 방대한 양의 다차원 데이터를 GPU 메모리 상에서 직접 처리하며, CPU로 옮기는 과정에서 발생하는 지연 시간을 제거하고 분석 효율을 높인다.

화학 및 소재 발견 분야를 공략하는 NVIDIA ALCHEMI는 도메인 전용 마이크로서비스와 툴킷으로 구성된다. 특히 NIM(NVIDIA Inference Microservices) 형태로 제공되는 BGR(배치 기하학적 완화)은 분자의 가장 안정적인 구조를 찾고, BMD(배치 분자 역학)는 시간이 흐름에 따라 분자가 어떻게 움직이는지 시뮬레이션한다. 수백만 개의 분자와 소재를 한 번에 처리하는 배치 방식이 핵심이며, 이를 통해 연구자는 개별 실험을 반복하는 대신 대규모 스크리닝을 동시에 수행한다. ALCHEMI 툴킷은 머신러닝 원자 간 포텐셜이라는 AI 대리 모델의 학습을 가속해 맞춤형 고성능 원자 시뮬레이션 워크플로를 쉽게 구축하게 돕는다.

VASP(Vienna Ab initio Simulation Package) 마이크로서비스는 NVIDIA Multi-Process Service를 활용해 단일 GPU에서 여러 계산을 동시에 수행하는 구조를 가진다. 이 방식을 통해 소재 내 원자들의 가장 안정적인 배치를 찾는 기하학적 최적화 과정에서 3배의 성능 향상을 이뤄낸다. 소재 발굴이나 대규모 데이터 분석 파이프라인을 설계할 때 판단 기준은 명확하다. CPU 기반의 순차적 처리 워크플로를 GPU 가속 라이브러리의 배치 처리 방식으로 대체할 수 있는지 확인하는 것이다. 특히 분자 구조 최적화나 고속 센서 데이터 스트리밍이 포함된 공정이라면 GPU 라이브러리 도입만으로 분석 주기를 며칠에서 실시간 단위로 줄일 수 있는지 가늠해야 한다.

CPU 대비 최대 14,900배, 수치로 증명된 성능 격차

AI 서버를 도입했는데도 왜 데이터 로딩 단계에서 병목이 계속될까. 많은 연구 현장이 겪는 문제는 연산 속도가 아니라 데이터를 읽고 처리하는 파이프라인의 비효율에 있다. NVIDIA GB200 NVL72 시스템에서 cuPhoton을 사용한 결과, 천문 표준 파일 형식인 FITS 이미지의 로딩과 읽기 속도가 14,900배 빨라졌다. 루빈 천문대의 LSST(Legacy Survey of Space and Time) 데이터를 기준으로 측정된 수치다. 32개의 NVIDIA Grace Blackwell 슈퍼칩을 투입했을 때는 신호 처리와 분석 속도가 최대 8,400배까지 가속됐다. CPU 기반의 기존 처리 방식으로는 수 시간이 걸릴 작업을 실시간 수준으로 끌어올린 결과다. 이는 하드웨어의 단순 성능 향상을 넘어, 데이터 읽기라는 기초 단계부터 GPU 가속을 적용했을 때 발생하는 격차를 보여준다.

데이터가 너무 많아 분석을 포기하고 버려야 했던 사례는 CERN의 ATLAS 실험에서 극명하게 나타난다. 기존 시스템은 저장 용량의 한계로 인해 발생하는 충돌 데이터의 99% 이상을 분석하지 못하고 폐기하는 구조였다. A-GHOST 프로젝트는 DAQIRI를 도입해 이 버려지던 데이터를 실시간 AI로 분석하는 체계를 구축했다. 저장 장치에 기록하기 전, 네트워킹 단계에서 즉시 AI가 유의미한 신호를 걸러내기 때문에 데이터 유실 없이 연구 범위를 확장할 수 있게 됐다. 물리적인 저장 용량 제약 때문에 포기했던 데이터의 대부분을 다시 연구 자산으로 확보하게 된 셈이다.

이런 수치적 격차는 단순히 숫자의 크기가 아니라 연구의 성격 자체를 바꾼다. CPU 기반 워크플로를 GPU 가속 라이브러리로 대체할 때, 특히 다차원 대용량 데이터를 다루는 환경이라면 수천 배 이상의 성능 향상을 기대할 수 있다. 소재 발굴이나 천체 관측처럼 페타바이트 단위의 데이터를 처리해야 하는 파이프라인을 설계한다면, 개별 연산 최적화보다 데이터 로딩과 전처리 단계의 GPU 통합 여부를 먼저 따져봐야 한다. 처리 속도가 10배만 빨라져도 실험 주기가 단축되지만, 수천 배의 가속은 기존에 불가능했던 실시간 분석과 전수 조사를 가능하게 만들기 때문이다. 실무자는 현재의 병목이 연산량 때문인지, 아니면 CPU 기반의 데이터 입출력 구조 때문인지 구분하여 가속 라이브러리 도입 범위를 결정해야 한다.

Lila Sciences가 증명한 '주 단위'에서 '일 단위'로의 단축

전통적인 소재 연구는 가설을 세우고 표본을 하나씩 검증하는 순차적 방식이었지만, 이제는 수천 개의 후보군을 동시에 평가하는 병렬 방식으로 바뀌었다. Lila Sciences는 ALCHEMI NIM의 BGR(배치 기하학적 완화, 분자의 가장 안정적인 구조를 찾는 과정) 마이크로서비스를 도입해 고처리량 소재 스크리닝 속도를 50배 높였다. 합성 가능성이 높은 안정적인 후보 물질을 빠르게 걸러내는 단계에서 병목 현상을 제거한 결과다. 개별 실험을 반복하던 기존 워크플로를 GPU 메모리 내에서 여러 소재를 동시에 평가하는 구조로 전환하며 탐색 효율을 극대화했다. 이는 연구자가 가설 검증을 위해 기다려야 했던 물리적 시간을 줄여 더 많은 시도를 가능하게 하는 실질적인 변화다.

스크리닝을 통과한 최종 후보군에 대해서는 ALCHEMI VASP 마이크로서비스를 통해 자기 특성 계산을 수행했다. VASP(비엔나 아비니시오 시뮬레이션 패키지, 원자 수준의 물질 특성을 계산하는 소프트웨어)를 적용한 결과, 계산 속도가 30% 향상되었다. 단순한 속도 개선을 넘어, 정밀한 물성 분석 단계에서도 GPU 가속 파이프라인이 유효함을 증명한 사례다. 특히 고정밀 자석 시뮬레이션과 같은 고부하 작업에서 계산 시간을 단축함으로써 전체 연구 사이클의 회전율을 높였다. 소재의 물리적 성질을 예측하는 단계의 효율화는 이후 실제 합성 단계에서 겪게 될 시행착오와 비용을 낮추는 결정적인 기반이 된다.

학습과 추론 단계에서는 TensorNet(기계 학습 원자 간 포텐셜, 원자 간 상호작용을 예측하는 AI 모델) 전용 커널을 적용해 성능을 끌어올렸다. 이를 통해 학습 및 추론 속도는 6배 빨라졌고 메모리 사용량은 3배 감소했다. 메모리 사용량의 감소는 더 크고 복잡한 분자 구조를 한 번에 처리할 수 있다는 실무적 이점으로 이어진다. 이러한 개별 단계의 가속이 중첩되면서, 과거에 수 주(weeks)가 소요되던 전체 시뮬레이션 과정이 수 일(days) 만에 완료되는 성과를 거뒀다. 인프라의 변화가 연구자의 대기 시간을 획기적으로 줄여 실험 횟수를 물리적으로 늘릴 수 있는 환경을 구축한 셈이다.

실무 관점에서 CPU 기반의 순차적 시뮬레이션을 GPU 가속 라이브러리로 대체할 때, 가장 먼저 살펴야 할 지점은 배치 처리 가능 여부다. 단일 계산의 절대적인 속도보다 수만 개의 후보군을 동시에 처리하는 처리량(throughput)의 증가 폭이 전체 개발 주기를 결정하는 핵심 판단 기준이 된다. 특히 메모리 점유율 감소와 처리 속도 향상이 동시에 일어날 때, 기존의 하드웨어 제약으로 포기했던 대규모 시뮬레이션 설계가 가능해진다는 점에 주목해야 한다.

한국 소재·배터리 실무자를 위한 도입 경로와 판단 기준

배터리나 OLED 소재 개발 과정에서 수일이 걸리는 시뮬레이션 시간을 어떻게 하면 실무 수준에서 획기적으로 줄일 수 있을까. NVIDIA ALCHEMI는 배터리 소재, 촉매, OLED 디스플레이, 뷰티 제품 등 화학과 소재 전반에 적용 가능한 도구 모음이다. 한국의 배터리 및 반도체 소재 연구 환경에서는 수많은 후보 물질을 빠르게 스크리닝하여 최적의 조합을 찾는 과정이 필수적이다. 특히 전고체 배터리나 고효율 OLED 발광층 설계와 같이 정밀한 시뮬레이션이 반복되는 분야에서 유용하다. 이 툴킷은 기존 CPU 기반의 느린 계산 과정을 GPU 가속 파이프라인으로 전환해 연구 비용과 시간을 낮추는 실무적 대안이 된다.

실제 도입을 위해 ALCHEMI 툴킷과 Toolkit-Ops는 GitHub와 PyPI에서 내려받을 수 있다. PyPI(Python Package Index, 파이썬 패키지 저장소)를 통해 라이브러리 형태로 설치하면 기존 파이썬 기반 워크플로에 빠르게 통합 가능하다. 마이크로서비스 형태로 제공되는 ALCHEMI NIM은 NVIDIA NGC 카탈로그에서 다운로드한다. NIM(NVIDIA Inference Microservices, 추론 마이크로서비스)을 사용하면 복잡한 서버 설정이나 환경 구축 없이 최적화된 추론 환경을 빠르게 배포할 수 있다. 이를 통해 연구원은 인프라 관리보다 소재 분석과 데이터 해석 자체에 더 많은 시간을 할애하게 되며, 이는 연구 사이클의 전체 속도를 높이는 결과로 이어진다.

도구별 출시 일정은 각기 다르므로 도입 계획에 구체적으로 반영해야 한다. 고속 센서 데이터 스트리밍을 지원하는 DAQIRI는 이미 GitHub에 공개되어 즉시 활용 가능하다. 천문 및 다차원 데이터 분석을 위한 cuPhoton과 VASP(Vienna Ab initio Simulation Package, 비엔나 제일원리 시뮬레이션 패키지) 전용 NIM 마이크로서비스는 올여름 출시될 예정이다. VASP NIM이 도입되면 단일 GPU에서 여러 계산을 동시에 수행하는 환경을 구축해 기하학적 최적화 속도를 높일 수 있다. 대규모 계산 자원을 운용하는 연구소나 기업이라면 출시 일정에 맞춰 GPU 클러스터 설정을 미리 검토해야 한다.

도입 여부를 결정하는 판단 기준은 현재 워크플로의 병목 지점이 어디인가에 있다. 수백만 개의 분자를 동시에 시뮬레이션해야 하거나, 기하학적 완화 작업에 과도한 시간이 소요된다면 GPU 가속 라이브러리로의 전환이 필요하다. 특히 VASP와 같은 표준 도구를 사용하면서 GPU 처리량을 높여야 하는 환경이라면 올여름 출시될 NIM 서비스가 직접적인 해결책이 된다. CPU 기반 워크플로를 GPU로 대체했을 때 얻는 성능 향상 폭을 기준으로 인프라 투자 비용과 연구 기간 단축분 사이의 손익을 따져보는 것이 가장 실무적인 판단 기준이다.

결국 과학 연구의 속도는 개별 연산 능력 그 자체가 아니라, 데이터 수집부터 분석까지의 전 과정을 얼마나 끊김 없는 GPU 파이프라인으로 통합하느냐에 따라 결정된다. 단순한 하드웨어 증설보다 중요한 것은 현재의 병목 구간이 연산량의 문제인지, 아니면 CPU 기반의 입출력 구조 때문인지 정확히 구분하여 가속 라이브러리 도입 범위를 설정하는 일이다. 인프라 투자 비용과 연구 기간 단축분 사이의 손익을 구체적인 수치로 따져보는 것이 가장 실무적인 판단 기준이 된다.