기상 예측은 주로 기온과 습도 등 기상 관측 데이터를 사용하여 미래의 날씨를 예측하는 수치 기상 예측 모델을 활용한다. 한국 기상청(Korea Meteorological Administration, KMA)은 영국의 GloSea6 수치 기상 예측 모델을 날씨 예보에 채택하였다. 이러한 모델은 실시간 기상 예보에 활용되는 것 외에도, 연구 목적을 위해서는 이를 실행하기 위해 슈퍼컴퓨터가 필수적이다. 그러나 제한된 슈퍼컴퓨터 자원으로 인해 많은 연구자들이 모델을 실행하는 데 어려움을 겪고 있다. 이러한 문제를 해결하기 위해 KMA는 Low GloSea6라는 저해상도 모델을 개발하였으며, 이는 연구기관의 소규모 및 중규모 서버에서 실행할 수 있다. 다만 Low GloSea6도 특히 I/O 부하에서 상당한 컴퓨터 자원을 사용한다. I/O 부하는 고 데이터 I/O를 갖는 모델에서 성능 저하를 유발할 수 있으므로, 모델 I/O 최적화가 필수적이지만, 사용자의 시행착오 기반 최적화는 비효율적이다. 따라서 본 연구는 Low GloSea6 연구 환경의 하드웨어 및 소프트웨어 파라미터를 최적화하기 위한 기계 학습 기반 접근법을 제시한다. 제안된 방법은 두 단계로 구성된다. 첫째, 프로파일링 도구를 사용하여 다양한 설정에서 하드웨어 플랫폼 파라미터와 Low GloSea6 내부 파라미터를 얻기 위해 성능 데이터를 수집하였다. 둘째, 수집된 데이터를 이용하여 기계 학습 모델을 학습함으로써 새로운 연구 환경에 대한 최적의 하드웨어 플랫폼 파라미터와 Low GloSea6 내부 파라미터를 결정하였다. 기계학습 모델은 서로 다른 연구 환경에서 최적 파라미터 조합을 성공적으로 예측하였으며, 실제 파라미터 조합에 비해 높은 정확도를 보였다. 특히, 파라미터 조합에 기반한 예측 모델 실행 시간은 실제 실행 시간과 비교하여 오차율이 16%에 불과해 유의미한 결과를 나타냈다. 전반적으로, 본 최적화 방법은 다른 고성능 컴퓨팅 과학 응용프로그램의 성능을 향상시킬 잠재력이 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.