본 논문은 딥러닝 모델의 급증하는 파라미터와 계산 요구량을 해결하기 위해 CUDA 기반의 GPU 연산에 의존하는 현 상황을 분석합니다. CUDA 생태계의 지배적인 위치로 인해 다른 하드웨어 플랫폼에서도 CUDA 기반 소프트웨어를 지원해야 할 필요성이 대두되지만, CUDA 코드를 다른 플랫폼으로 변환하는 것은 어려운 과제입니다. 기존의 접근 방식은 한계를 가지고 있으며, 높은 개발 비용이 요구됩니다. 본 논문은 이러한 문제를 해결하기 위해 AI 컴파일러 및 자동 최적화 기술을 활용하여 고성능 CUDA 코드와 해당 플랫폼 코드 쌍을 생성하는 새로운 프레임워크를 제안합니다. 그래프 기반 데이터 증강 방법을 추가하고, CUDA 변환 성능을 평가하기 위한 HPCTransEval 벤치마크를 도입합니다. CUDA-to-CPU 변환을 사례 연구로 실험을 수행하여, CPU 연산자의 속도 향상을 보여주며, LLM이 CUDA 생태계의 호환성 문제를 해결할 잠재력을 강조합니다. 소스 코드는 공개되어 있습니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 CUDA 코드를 다른 플랫폼으로 효율적으로 변환하는 새로운 프레임워크 제시.
◦
그래프 기반 데이터 증강 및 HPCTransEval 벤치마크를 통해 LLM 성능 평가 및 개선 가능성 제시.
◦
CPU 연산자 속도 향상(평균 43.8%)을 통해 CUDA 생태계의 호환성 문제 해결 가능성을 입증.
◦
오픈소스 공개를 통한 연구의 재현성 및 확장성 확보.
•
한계점:
◦
현재는 CUDA-to-CPU 변환을 중심으로 한 사례 연구이므로, 다른 플랫폼으로의 변환 성능은 추가 연구가 필요.