GWDG의 EMMY P4 도입으로 확대되는 AMD와 Cornelis의 고성능 컴퓨팅 파트너십

AMD와 Cornelis는 AMD 프로세서 및 가속기와 Cornelis 네트워킹을 결합해 고성능 컴퓨팅 파트너십을 확대하고, 연구 기관이 더 큰 규모의 과학 연산 작업을 실제 운영 환경에 도입할 수 있도록 지원합니다. 독일 GWDG의 구축 사례가 구체적인 예입니다. EMMY P4 슈퍼컴퓨터는 약 300개의 듀얼 소켓 AMD EPYC 9745 노드와 Cornelis CN5000 Omni-Path 네트워킹을 결합합니다.

이번 협력은 호환되는 구성 요소를 판매하는 데 그치지 않습니다. 양사는 기존 제조업체와 시스템 통합업체를 통해 시스템 설계, 애플리케이션 벤치마킹, 검증, 인수 테스트, 실제 운영 환경 구축을 아우르는 공동 시장 진출 프로그램을 마련하고 있습니다. 고객은 구성을 확정하기 전에 뮌헨에 있는 AMD HPC 우수성 센터에서 자체 애플리케이션을 테스트할 수도 있습니다.

이러한 접근 방식은 슈퍼컴퓨팅 분야의 고질적인 문제를 해결합니다. 프로세서를 더 많이 구매한다고 해서 연구 속도가 그에 비례해 빨라지는 것은 아닙니다. 프로세서가 계속 작업을 수행할 수 있도록 프로세서 간에 데이터를 충분히 빠르게 이동해야 합니다.

네트워크가 연산만큼 중요한 이유

과학 시뮬레이션에서는 흔히 대규모 문제를 여러 서버에 나눠 처리합니다. 각 서버가 결과의 일부를 계산한 다음 다른 서버와 정보를 주고받습니다. 예를 들어 전산유체역학에서는 계산이 진행되는 동안 시뮬레이션된 유동의 인접 영역들이 갱신된 조건을 서로 공유해야 합니다.

이러한 정보 교환에서는 네트워크 지연 시간, 메시지 처리 용량, 혼잡도가 중요한 요소가 됩니다. 연산 속도가 아무리 빠르더라도 다른 노드의 데이터를 기다리는 프로세서는 유용한 계산을 거의 수행하지 못합니다. 메시지 전달 인터페이스(Message Passing Interface, MPI)는 이러한 분산 작업을 조율하는 데 널리 쓰이는 소프트웨어 인터페이스입니다.

Cornelis는 노드를 연결하는 상호 연결망을 제공하고, AMD는 연산 성능을 제공합니다. 확대된 프로그램은 네트워크 대역폭과 프로세서 사양만으로 시스템 성능을 충분히 입증할 수 있다고 간주하는 대신, 애플리케이션을 기준으로 이 구성 요소들을 함께 검증하는 것을 목표로 합니다.

Cornelis의 CEO인 Lisa Spelman은 새로운 EPYC 세대가 나올 때마다 네트워크에 연결해야 하는 코어 수가 늘어난다고 말했습니다. 그녀의 요지는 통신 성능이 이를 따라가지 못하면 연산 용량을 추가해도 고가의 리소스가 대기 상태에 놓일 수 있으므로, 실제 작업 부하를 반영한 검증이 필수적이라는 것입니다.

GWDG의 EMMY P4가 더하는 것

괴팅겐의 과학 컴퓨팅 기관인 GWDG는 독일 9개 국가 고성능 컴퓨팅 센터 중 하나인 NHR@Göttingen을 지원합니다. 이곳의 사용자는 생명과학, 물리학, 양자 연구, AI, 인문학 등 다양한 분야의 애플리케이션을 실행합니다. Cornelis에 따르면 이곳을 포함한 더 넓은 컴퓨팅 환경에서는 매년 약 350만 건의 HPC 작업을 처리합니다.

AMD의 EPYC 9745 사양에 따르면 프로세서당 물리 코어는 128개이며, 듀얼 소켓 노드 하나에는 코어가 256개 들어갑니다. 수백 개 노드에서 이렇게 많은 코어를 효율적으로 가동하려면 통신 효율을 시스템 차원에서 고려해야 합니다.

GWDG의 설치 문서에는 초기 구성으로 252개 노드를 도입하고, 노드당 DDR5 메모리 768GiB와 로컬 NVMe 스토리지 3.8TiB를 갖추며, CN5000 어댑터를 통해 200G 링크로 연결한다고 나와 있습니다. 발표 자료에서는 더 큰 규모의 EMMY P4 구축을 약 300개 노드로 설명합니다.

이 CPU 시스템 구축과 파트너십의 GPU 작업을 구분하는 것은 중요합니다. EMMY P4는 과학 컴퓨팅 환경에서 EPYC와 Cornelis 네트워킹을 활용하는 사례이지, 발표된 CPU 노드에 AMD Instinct 가속기가 들어 있다는 뜻은 아닙니다.

애플리케이션 테스트, 호환성 확인을 넘어

Cornelis에 따르면 CN5000은 북미와 유럽의 25개가 넘는 검증된 플랫폼 구성에서 AMD EPYC 9005 프로세서와 함께 실제 운영 환경에 사용할 수 있도록 검증을 마쳤습니다. 양사는 CN5000의 검증 범위를 AMD Instinct MI350X Series 가속기까지 확대했습니다.

구매자는 애플리케이션 테스트를 통해 아키텍처가 조직에서 실제로 실행하는 작업에 적합한지 확인할 수 있습니다. 동기화가 잦은 대규모 시뮬레이션은 가속기 커널 내부에서 더 많은 시간을 보내는 AI 작업 부하와 다르게 작동할 수 있습니다. 메모리 용량, 소프트웨어 라이브러리, 노드 구성, 네트워크 동작이 모두 결과에 영향을 줍니다.

Cornelis는 선정된 CONVERGE 전산유체역학 작업 부하 132개를 대상으로 한 테스트에서 4개 노드 사용 시 NVIDIA NDR InfiniBand를 사용한 비교 구성보다 평균 처리량이 20% 높았다고 보고합니다. 또한 EPYC 9755 프로세서에서 실행한 STAR-CCM+ 작업 부하의 경우 노드 수를 1개에서 8개로 늘렸을 때 성능이 거의 9배로 확장됐다고 보고합니다.

이는 특정 테스트 구성에서 얻은 결과로, 공급업체가 보고한 애플리케이션 성능입니다. 테스트 조건을 확인하려면 관련 자료인 Cornelis 기술 백서를 참조해야 합니다. 이 수치가 모든 코드나 클러스터에서 같은 이점을 입증하는 것은 아닙니다. 뮌헨 테스트 프로그램의 실질적인 가치는 고객이 이러한 결과를 참고해 자체 작업 부하를 평가할 수 있다는 데 있습니다.

더 큰 CPU 및 GPU 시스템을 위한 로드맵

두 회사는 또 다른 하드웨어 세대도 준비하고 있다. Cornelis는 차세대 CN6000을 800G 어댑터와 PCIe 6.0 x16 인터페이스를 중심으로 개발하고 있으며, CN6000과 AMD EPYC 9006 프로세서를 결합한 OEM 시스템은 2027년 1분기에 출시될 것으로 예상된다. 이 시스템은 로드맵에 포함된 제품으로, 이미 구축된 CN5000 기반 EMMY P4 인프라와는 별개다.

AMD의 가속기 전략에는 GPU 컴퓨팅을 위한 도구와 라이브러리를 제공하는 ROCm 소프트웨어 스택도 포함된다. 과학 분야의 AI를 지원하려면 프로세서와 네트워크뿐 아니라 이러한 소프트웨어 계층도 필요하다. 연구자에게는 서로 원활하게 연동되는 애플리케이션, 수학 라이브러리, 통신 소프트웨어가 필요하다.

전통적인 과학 컴퓨팅에서는 배정밀도, 즉 FP64 연산도 상당히 중요하다. 이는 많은 AI 작업에 사용되는 저정밀도 연산과 다르므로, 플랫폼의 적합성은 널리 알려진 AI 성능만으로 판단할 수 없다.

AMD와 Cornelis의 파트너십 확대는 궁극적으로 완성된 연구 시스템을 더 쉽게 평가하고 구축할 수 있도록 하려는 시도다. GWDG는 CPU와 네트워크를 결합한 시스템의 실제 운영 사례를 제공하며, 공동 애플리케이션 테스트와 향후 가속기 지원을 통해 활용 가능한 분야도 넓어진다. 연구 센터에 중요한 기준은 프로세서 수가 아니라, 검증된 시스템이 유용한 작업을 얼마나 빠르게 완료하느냐다.