KAIST 전산학부 김민수 교수 연구팀은 기존처럼 여러 대의 GPU 서버를 쓰지 않고, 한 대의 GPU로도 대규모 풀(full) 그래프 AI 모델을 최대 95배 빠르게 학습하고 추론할 수 있는 플렉스지엔엔(FlexGNN)을 개발했습니다.

그래프 신경망, GNN(Graph Neural Network) 시스템은 데이터의 관계를 정점과 간선으로 구성된 그래프 형태로 표현해 분석하는 기술입니다.

기후, 금융, 의료, 제조 등 다양한 분야에서 활용되지만, 풀 그래프 방식은 중간 데이터가 많아 메모리 부족과 서버 간 통신 지연으로 학습시간이 길어지는 한계가 있었습니다.

연구팀은 이 문제를 SSD와 메인 메모리를 함께 활용하는 새로운 학습 최적화 기술로 극복했습니다.

GPU와 메모리, SSD 간의 데이터 이동 시점을 최적화해, 가용 자원 상황에 맞춰 가장 효율적인 학습 실행 계획을 자동으로 생성하는 방식입니다.

이를 통해 메모리 용량을 초과하는 대규모 데이터도 단일 GPU로 학습할 수 있고, 기존 대비 학습 속도를 최대 95배까지 끌어올렸습니다.

기후 예측 등 정밀 분석이 필요한 분야에서 슈퍼컴퓨터 수준의 풀 그래프 AI 구현이 가능해졌습니다.

김민수 교수는 "날씨 예측과 신소재 개발처럼 복잡한 문제 해결에 풀 그래프 GNN이 점점 중요해지고 있다"며, "이번 기술이 그래프 AI 모델의 숙제였던 학습 규모와 속도를 해결한 만큼 산업 전반에 폭넓게 쓰이길 기대한다"고 말했습니다.

이번 연구는 KAIST 배정민 박사과정과 ㈜그래파이 한동형 CTO가 참여했으며, 세계 데이터마이닝 학술대회 'ACM KDD'에서 발표됐습니다.

기술은 앞으로 그래파이의 그래프 DB 솔루션에도 적용될 예정입니다.

TJB 대전방송