Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Polar Sparsity: High Throughput Batched LLM Inferencing with Scalable Contextual Sparsity

Created by
  • Haebom

저자

Susav Shrestha, Brad Settlemyer, Nikoli Dryden, Narasimha Reddy

개요

본 논문은 대규모 언어 모델(LLM) 추론 가속화를 위한 새로운 방법인 Polar Sparsity를 제안합니다. 기존의 Contextual sparsity는 큰 배치 크기에서 효율성이 떨어지는 한계를 가지는데, Polar Sparsity는 배치 크기와 시퀀스 길이가 증가함에 따라 MLP 계층보다 Attention 계층의 스파스성이 더 중요해짐을 밝힙니다. MLP 계층은 배치 처리에서 계산 효율이 높아지지만 스파스성이 사라지는 반면, Attention 계층은 비용이 증가하지만 스파스성은 안정적으로 유지됩니다. 따라서 본 논문은 MLP와 Attention 계층에 대한 하드웨어 효율적인 스파스성 인식 GPU 커널을 개발하여 OPT, LLaMA-2 & 3과 같은 모델에서 최대 2.2배의 추론 속도 향상을 달성했습니다. 이는 Contextual sparsity를 대규모 배치 크기에 효과적으로 확장하여 실질적인 고처리량 LLM 배포 시스템에 적용할 수 있음을 보여주는 최초의 연구입니다.

시사점, 한계점

시사점:
대규모 배치 크기에서도 효과적인 Contextual sparsity를 구현하는 Polar Sparsity 제안.
OPT, LLaMA-2 & 3 등 다양한 LLM에서 최대 2.2배의 추론 속도 향상 달성.
최소한의 변경으로 상당한 추론 가속화 가능.
고처리량 LLM 배포 시스템에 실용적으로 적용 가능.
하드웨어 효율적인 스파스성 인식 GPU 커널 개발.
한계점:
현재 제시된 방법의 일반화 가능성에 대한 추가적인 연구 필요.
다양한 모델 아키텍처와 task에 대한 추가적인 실험 필요.
다른 스파스성 기법과의 비교 분석이 더 필요.
👍