대규모 그래프·유전체 워크로드 GPU 가속 및 공동 최적화

GPU Acceleration for Large-Scale Graph/Genomics and Co-Optimization

연구 내용

GPU 비친화 연산을 진단해 메모리 접근과 워크로드를 재구성하고, 멀티-GPU 확장 및 하드웨어·신경망 공동 최적화를 수행하는 가속 연구

연산 패턴의 구조가 GPU 효율과 충돌하면 메모리 접근 비효율과 워크로드 불균형이 누적되어 성능이 저하됩니다. 연구실은 guided sequence alignment 기반 long read mapping에서 strided/redundant memory access와 workload imbalance를 분석하고, exact 구조를 유지하면서도 GPU 친화적으로 처리하도록 가속기를 구성하는 접근을 수행합니다. 또한 그래프 기반 ANN 검색에서는 멀티-GPU 환경에서 추가 GPU를 단순 확장하는 비효율을 줄이기 위해 pipelining-based path extension, ghost staging, direction-guided selection을 적용합니다. 더불어 하드 제약과 데이터 비의존 조건을 포함한 differentiable accelerator/network co-exploration을 수행해 설계 탐색 비용과 현실 제약을 함께 다룹니다.

관련 프로젝트

1건

연구 흐름

초기에는 GPU 비친화성을 보이는 대표 알고리즘을 대상으로 효율 문제를 직접 진단하고, exact성을 유지하면서 가속 성능을 확보하는 연구가 중심이었습니다. 2024년에는 guided sequence alignment를 GPU에 맞게 재구성하는 AGAThA를 수행했습니다. 이후 2024년에는 신경망 견고성 강화를 위한 adversarial distillation 계열 방법인 PeerAiD를 병행했습니다. 2025년에는 대규모 데이터에서 멀티-GPU 확장성을 확보하는 PathWeaver와, differentiable evaluator 기반 하드웨어·신경망 공동 탐색인 DANCE++로 연구 범위를 확장했습니다. 동시에 유전체 분석을 위한 end-to-end genomics library인 G^3SA까지 확장하여 응용 축을 넓혔습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

장문 서열 정렬 파이프라인
정확 기반 long-read mapping
멀티-GPU ANN 검색 시스템
추천·검색 서비스 가속
하드 제약 기반 가속기 설계
데이터 비의존 학습 시나리오
대규모 그래프 근사 탐색
AI 보안용 견고성 증류
유전체 분석 워크플로우
연산 병목 진단 기반 성능 튜닝