엔비디아, 과학 이미지 분석 가속화 툴킷 'cuPhoton' 공개

cuPhoton의 등장과 변화

엔비디아가 과학 이미지 분석을 위한 오픈소스 CUDA-X 툴킷인 'cuPhoton'을 공개했다. 이 툴킷은 센서에서 의사결정까지 이르는 전체 이미지 데이터 처리 경로를 GPU 가속 빌딩 블록으로 제공한다. cuPhoton은 기존 CPU 중심 파이프라인에서 수개월에서 1년 이상 소요되던 분석 시간을 수초에서 수분으로 단축하는 것을 목표로 한다.

이 툴킷은 이미지 데이터를 센서에서 읽어 분류하는 전 과정을 GPU에 유지함으로써, 연구자들이 대규모 데이터를 대화식으로 처리하고 통찰력을 얻는 시간을 크게 줄인다. 이는 천문학, X선 과학 등 고처리량 과학 분야에서 방대한 다차원 데이터셋을 효율적으로 로드, 처리, 분석할 수 있도록 돕는다.

개발 배경 및 필요성

현대 과학 시설은 망원경, 레이저, X선 광원 등 고처리량 장비를 통해 CPU 기반 파이프라인이 감당할 수 없는 속도로 이미지 데이터를 생성한다. 이로 인해 단일 조사나 실험 캠페인에서 페타바이트 규모의 다차원 데이터가 축적되며, 과학적으로 유용한 결과를 얻기까지 오랜 시간이 걸리는 병목 현상이 발생한다. 이러한 지연은 과학자와 엔지니어의 연구 진행을 저해하는 주요 원인으로 지목된다.

기존의 가속화 노력은 특정 단계에 집중되었으나, cuPhoton은 데이터 로딩부터 점 확산 함수(PSF) 매칭, 차분, 피팅, 분류, 알림에 이르는 전체 경로를 GPU-네이티브 방식으로 처리한다. 예를 들어, NSF-DOE Vera C. Rubin Observatory는 39초마다 3.2기가픽셀 이미지를 기록하며, 60~120초 내에 약 10,000개의 감지된 객체를 분류해야 하는 등 실시간에 가까운 데이터 처리가 필수적이다.

핵심 기능 및 동작 방식

cuPhoton 툴킷은 xDataReader, xRep, xPois, xFit, xScan, 그리고 시간 도메인 X선 검출기 분석을 위한 xRay 등 여러 모듈로 구성된다. xDataReader는 천문학 및 천체물리학의 표준 데이터 형식인 FITS 파일을 GPU 메모리로 직접 로드하고 압축 해제하는 기능을 제공한다. 이는 CFITSIO를 통한 CPU 바이트 범위 계획, KvikIO를 통한 읽기, nvCOMP를 통한 GZIP 타일 GPU 압축 해제, CuPy를 통한 결과 저장을 포함한다.

xDataReader는 압축되지 않은 2~16축 이미지 HDU와 GZIP_1 또는 GZIP_2 타일 압축 2차원 이미지를 지원한다. 반면 Rice 압축 및 디더링된 부동 소수점 양자화는 지원하지 않는다. `batch_to_device` API를 사용하여 데이터를 로드하며, GPUDirect Storage 지원 여부는 `cuphoton.xdr.is_gds_active()`로 확인할 수 있다.

xRep 모듈은 두 개의 2차원 이미지를 공유된 북쪽-위(north-up) 천체 그리드로 리샘플링하여 정렬한다. `build_stack_spec_from_fits` 함수는 FITS 헤더의 WCS 솔루션을 읽어 대상 풋프린트를 생성하며, `reproject_stack` 함수는 이미지를 해당 그리드로 워핑한다. 기본 보간법은 Lanczos-3을 사용한다.

xPois는 최적 이미지 차분(optimal image subtraction)을 위해 컨볼루션 커널 K와 차분 배경 B를 계산한다. `solve_constant_kernel` 함수는 가우시안-다항식 커널 기저를 사용하여 이 커널을 계산한다. 플럭스 보존을 위해 커널 합계가 1에 가깝게 유지되며, `backend="auto"` 옵션은 CuPy, Numba-CUDA, CPU 순으로 백엔드를 선택한다.

xFit 모듈은 이동하는 객체나 이미지 등록 오류로 인해 발생하는 다이폴 패턴을 모델링한다. `GaussianDipoleModel`은 두 개의 회전된 타원형 가우시안 구성 요소 간의 차이로 각 스탬프를 모델링한다. Levenberg–Marquardt 솔버는 CuPy에서 여러 정규화된 Gauss–Newton 시스템을 동시에 처리하여 효율적인 피팅을 가능하게 한다.

xScan은 수많은 후보 객체 중에서 인간 검토가 필요한 대상을 우선순위 지정하고 그 수를 제한하는 기능을 제공한다. `cuphoton xscan review-queue` 명령으로 후보 순위를 매길 수 있다. `cuphoton xscan review-bokeh` 명령을 통해 검색 노출, 참조 템플릿, 원본 차이, xPois 잔차를 포함하는 검토 인터페이스를 실행할 수 있다.

성능 및 개발자 영향

cuPhoton은 다중 GPU, 다중 노드 NVIDIA Grace Blackwell 및 NVIDIA Vera Rubin 시스템에서 확장 가능하며, 수백 테라바이트 규모의 데이터 워크로드에서 뛰어난 성능을 보인다. 이미지 로딩 및 읽기에서 최대 14,900배, 신호 처리에서 최대 14,550배의 가속을 달성하여 수개월이 걸리던 계산 시간을 수분으로 단축한다. 특히 9개월이 소요되던 데이터 분석이 GPU 가속 Python 환경에서 4시간 만에 시연된 사례도 있다.

이러한 성능 향상은 과학자와 엔지니어가 데이터에서 통찰력을 추출하고 연구를 발전시키는 데 걸리는 시간을 획기적으로 줄여준다. 대규모 과학 시설은 생성되는 방대한 데이터의 속도를 따라잡을 수 있게 되며, 연구의 상호작용성을 높여 새로운 발견을 촉진한다. 개발자는 GPU-네이티브 툴킷을 활용하여 복잡한 과학 이미지 분석 파이프라인을 더욱 효율적으로 구축하고 실행할 수 있다.

적용 조건 및 한계

cuPhoton은 Python 3.12–3.14 및 CUDA 13을 지원하는 Linux 시스템에서 작동한다. 환경 설정은 `uv sync` 명령을 통해 CuPy, PyTorch, Numba-CUDA, KvikIO, NVIDIA nvCOMP 등 필요한 라이브러리를 포함하는 CUDA 13 환경을 구축한다. xDataReader의 FITS 경로를 위해서는 C++17 컴파일러, CUDA 및 cuFile 개발 헤더, 재진입 가능한 CFITSIO 개발 설치가 필요하다.

성능 수치는 개별 작업에 대한 가속 수치이며, 전체 파이프라인의 종단 간 가속 계수로 해석해서는 안 된다. 실제 성능은 워크로드, 데이터셋, 구현 방식, 하드웨어 구성에 따라 달라질 수 있다. 또한, xPois 커널 피팅에서 밝은 링이나 큰 음의 그릇 모양이 나타나면 기저가 시야 불일치를 적절히 표현하지 못하거나 포화된 별이 마스킹되지 않은 채 피팅에 포함되었을 가능성이 있다.

xFit 잔차에 구조화된 잔여물이 남는 경우, 스탬프에 정적 별이 포함되어 있거나 초기 중심이 잘못 설정되었을 수 있다. 분산 실행 시에는 이미지 쌍이 이미 픽셀 그리드를 공유하는 xRep 단계를 거쳐야 한다. GPUDirect Storage는 호환 가능한 드라이버와 파일 시스템이 필요하며, 그렇지 않은 경우 KvikIO는 PCIe 호환 경로를 사용한다.