본문 바로가기 대메뉴 바로가기
닫기

연구

GPU 한 대로 95배 빠르게 그래프 분석 AI 'FlexGNN' 개발​
조회수 : 3517 등록일 : 2025-08-13 작성자 : 홍보실

(왼쪽부터) 한동형 그래파이 CTO, 전산학부 배정민 박사과정, 전산학부 김민수 교수

< (왼쪽부터) 한동형 그래파이 CTO, 전산학부 배정민 박사과정, 전산학부 김민수 교수 >

텍스트 기반 대규모 언어 모델(LLM)인 ChatGPT 등과 함께, 산업 현장에서는 금융 거래, 주식, SNS, 환자기록, 등 비정형 데이터를 그래프 형태로 분석하는 GNN(Graph Neural Network) 기반의 그래프 AI 모델이 적극 활용되고 있다. 하지만 전체 그래프를 한 번에 학습(풀 그래프 학습)하는데 막대한 메모리와 GPU 서버가 필요하다는 한계점이 있다. KAIST 연구진이 단 한 대의 GPU 서버만으로도 대규모 GNN 모델을 최고속 학습할 수 있는 세계 최고 성능의 소프트웨어 기술 개발에 성공했다. 

우리 대학 전산학부 김민수 교수 연구팀이 여러 대의 GPU 서버를 활용하는 기존 방식과 달리 한 대의 GPU 서버에서 대규모 풀(full) 그래프 AI 모델을 빠르게 학습하고 추론할 수 있는 GNN 시스템 ‘FlexGNN(플렉스지엔엔)’을 개발했다고 13일 밝혔다. FlexGNN은 기존 기술 대비 학습 속도를 최대 95배 향상한다. 

최근 기후, 금융, 의료, 제약, 제조, 유통 등 다양한 분야에서는 데이터를 정점과 간선으로 구성된 그래프 형태로 변환해 분석 및 예측하는 사례가 증가하고 있다. 

전체 그래프를 모두 학습에 활용하는 풀 그래프 방식이 더욱 우수한 정확도를 보이지만, 학습 과정에서 대규모의 중간 데이터(intermediate data)가 발생해 메모리 부족 현상이 빈번히 발생하고, 여러 서버 간의 데이터 통신으로 인해 학습 시간이 길어지는 한계가 있었다. 

연구팀이 개발한 FlexGNN은 이러한 문제를 극복하기 위해 여러 대의 GPU 서버 대신 단일 GPU 서버에서 SSD(솔리드 스테이트 드라이브)와 메인 메모리를 활용한 최적의 AI 모델 학습을 수행한다. 

특히 데이터베이스 시스템의 질을 최적화시키는 AI 퀴리 최적화 학습을 통해 GPU-메인 메모리-SSD 계층 간 모델 파라미터, 학습 데이터, 중간 데이터를 최적의 시점과 방식으로 계산을 시키는 새로운 학습 최적화 기술을 개발했다.

그림 (a): 기존 전체 그래프 GNN 학습 시스템의 일반적인 실행 흐름을 나타낸다. 학습 중 생성되는 중간 데이터는 모두 GPU 메모리에 유지되며, 데이터 이동이나 메모리 최적화 없이 순차적으로 연산이 수행된다. 이로 인해 GPU 메모리 용량을 초과하는 경우 학습 자체가 불가능하며, GPU 간 데이터 교환도 고정된 방식(X_rigid)만을 사용하여 성능 및 확장성에 한계를 가진다. 그림 (b): FlexGNN이 생성한 최적화된 학습 실행 계획에 따른 실행 흐름의 예시를 나타낸다. 각 중간 데이터에 대해 유지, 오프로딩, 재계산 전략이 선택적으로 적용되며, 자원 제약 및 데이터 크기에 따라 G2G 또는 G2H 중 적절한 GPU 간 교환 방식이 적응형 교환 연산자(X_adapt)로써 선택된다. 또한 오프로딩 및 리로딩 연산은 계산과 최대한 겹치도록 스케줄링되어, 계산-데이터 이동 병렬성이 극대화된다. 그림 내의 적응형 교환 연산자와 다양한 데이터 오프로딩 및 리로딩 연산자(R, O)는 FlexGNN이 학습 실행 계획을 기반으로 중간 데이터 관리 방식과 GPU간 교환 전략을 유연하게 제어할 수 있음을 보여준다.

< 그림 (a): 기존 전체 그래프 GNN 학습 시스템의 일반적인 실행 흐름을 나타낸다. 학습 중 생성되는 중간 데이터는 모두 GPU 메모리에 유지되며, 데이터 이동이나 메모리 최적화 없이 순차적으로 연산이 수행된다. 이로 인해 GPU 메모리 용량을 초과하는 경우 학습 자체가 불가능하며, GPU 간 데이터 교환도 고정된 방식(X_rigid)만을 사용하여 성능 및 확장성에 한계를 가진다. 그림 (b): FlexGNN이 생성한 최적화된 학습 실행 계획에 따른 실행 흐름의 예시를 나타낸다. 각 중간 데이터에 대해 유지, 오프로딩, 재계산 전략이 선택적으로 적용되며, 자원 제약 및 데이터 크기에 따라 G2G 또는 G2H 중 적절한 GPU 간 교환 방식이 적응형 교환 연산자(X_adapt)로써 선택된다. 또한 오프로딩 및 리로딩 연산은 계산과 최대한 겹치도록 스케줄링되어, 계산-데이터 이동 병렬성이 극대화된다. 그림 내의 적응형 교환 연산자와 다양한 데이터 오프로딩 및 리로딩 연산자(R, O)는 FlexGNN이 학습 실행 계획을 기반으로 중간 데이터 관리 방식과 GPU간 교환 전략을 유연하게 제어할 수 있음을 보여준다. >

이를 통해 FlexGNN은 데이터 크기, 모델 규모, GPU 메모리 등 가용 자원 상황에 따라 유연하게 최적의 학습 실행 계획을 생성해 높은 자원 효율성과 학습 속도를 구현한다. 

그 결과, 메인 메모리 용량을 훨씬 초과하는 데이터에 대해서도 GNN 모델을 학습하며, 단일 GPU 서버에서도 최대 95배 빠르게 학습이 가능해졌다. 특히 기후 예측 등에서 슈퍼컴퓨터보다 정밀한 분석이 가능한 풀 그래프 AI 구현이 현실화됐다.

우리 대학 김민수 교수는 “날씨 예측과 신소재 발견 등 복잡한 문제를 해결하는데 풀 그래프 GNN 모델이 활발히 활용되면서 관련 기술의 중요성이 점점 높아지고 있다”며 “FlexGNN이 그동안 어려움으로 남아 있던 그래프 AI 모델의 학습 규모와 속도 문제를 획기적으로 해결한 만큼, 다양한 산업 분야에 널리 활용되기를 기대한다”고 밝혔다. 

이번 연구는 전산학부 배정민 박사과정이 제1 저자로, 김민수 교수창업기업인 (주)그래파이의 한동형 CTO가 제2 저자로 참여했으며, 김 교수가 교신저자를 맡았다.

연구 결과는 세계적 권위의 데이터마이닝 학술대회인 ‘ACM KDD’에서 지난 8월 5일에 발표됐다. FlexGNN 기술은 향후 (주)그래파이의 그래프 DB 솔루션인 그래프온(GraphOn)에도 적용될 예정이다.

※ 논문제목: FlexGNN: A High-Performance, Large-Scale Full-Graph GNN System with Best-Effort Training Plan Optimization

※ DOI: https://doi.org/10.1145/3711896.3736964 

한편, 이번 연구는 과기정통부 IITP SW스타랩과 IITP-ITRC, 그리고 한국연구재단 중견과제의 지원을 받아 수행됐다.

FlexGNNGPU풀 그래프 AI모델그래프중간 데이터ACM KDD 김민수 공과대학 전산학부
목록
관련뉴스