MIT 연구진, Ferveret 냉각 플랫폼으로 핵물질 AI 연구 발전

AI 연구는 아이디어가 고갈되기 훨씬 전부터 물리적 한계에 부딪힐 수 있다. 연구실에서 공급하고 냉각할 수 있는 컴퓨팅 자원의 양이 그 한계다. Ferveret에 따르면 MIT 연구진은 자사의 고성능 컴퓨팅 플랫폼을 활용해 핵물질 연구용 AI 기법을 개발하고 있으며, 지속적인 과학 연구 작업에 Adaptive Phase Cooling 기술을 적용하고 있다.

10월 22일 발표는 두 가지 공학적 과제를 연결한다. 연구진은 극한 환경에 노출되는 물질을 이해하기 위해 더 많은 컴퓨팅 역량이 필요하다. 데이터센터 운영자는 제한된 전력 용량으로 더 많은 유용한 작업을 수행해야 한다. Ferveret은 차세대 프로세서를 도입하지 않고도 열을 더 잘 제거하면 두 과제를 모두 해결하는 데 도움이 될 수 있다고 본다.

핵물질 연구에 더 많은 AI 컴퓨팅 자원이 필요한 이유

이번 연구는 핵과학·공학과 전기공학·컴퓨터과학 조교수인 Ericmoore Jossou가 이끄는 MIT의 Materials in Extreme Environments Lab에서 진행된다. MIT 교수진 프로필에 따르면 이 연구실은 첨단 현미경과 결맞음 X선 이미징을 결합해 나노미터 수준에서 구조적 특성과 결함을 살펴본다.

Ferveret은 자사 플랫폼을 이용하는 프로젝트 두 가지를 소개한다. 하나는 핵물질의 결맞음 X선 측정값을 분석하는 AI 접근법을 개발한다. 다른 하나는 원자 간 상호작용을 예측하고 연구진이 까다로운 조건에서 물질의 거동을 시뮬레이션하도록 돕는 모델인 기계학습 원자간 포텐셜을 학습시킨다.

첫 번째 프로젝트의 연구 방향을 뒷받침하는 독립적인 근거도 있다. MIT의 2026년 핵과학·공학 연구 엑스포에는 DongHun Ryu의 발표가 등재되어 있으며, 발표 제목은 “BCDI 위상 복원을 위한 물리 정보 기반 심층 생성 모델”이다. BCDI는 브래그 결맞음 회절 이미징(Bragg coherent diffraction imaging)의 약자로, Jossou의 교수진 연구 소개에서도 언급된 기법이다. 이 행사는 냉각 회사의 발표 외에도 구체적인 연구 연관성이 있음을 보여 주지만, 행사 소개에는 Ferveret 하드웨어에 대한 평가가 담겨 있지 않다.

원자간 포텐셜은 또 다른 컴퓨팅 병목을 해결한다. 시뮬레이션의 모든 단계에서 비용이 많이 드는 전자 구조 계산을 수행하는 대신, 학습된 모델이 원자 배열과 에너지, 힘 사이의 관계를 근사한다. MIT 저장소에 등록된 연구에 따르면 기계학습 힘장은 학습에 사용된 기준 계산의 정확도를 유지하면서 원자 시뮬레이션의 시간 및 길이 규모를 확장할 수 있다.

다만 정확도는 모델과 모델이 표현하도록 학습한 상황에 따라 달라진다. Ferveret의 발표는 지원 대상 연구가 밀도범함수 이론 수준에 가까운 정확도의 시뮬레이션을 목표로 한다고 밝혔지만, 해당 프로젝트에서 그 결과를 입증하는 오차 표나 발표된 모델, 수치 비교 자료는 제시하지 않았다.

Adaptive Phase Cooling은 어떻게 열을 제거하는가

Ferveret의 기술 소개는 원자로의 열전달 연구에서 착안한 과냉각 비등을 핵심 원리로 삼는다. 칩 표면의 열로 기포가 생기지만, 주변 액체는 끓는점보다 낮은 온도를 유지한다. 회사에 따르면 작은 기포는 빠르게 떨어져 나와 더 차가운 액체 속에서 응축되며, 이 과정에서 뜨거운 표면과 액체가 다시 접촉한다.

차이는 기포가 이동하는 경로에 있다. Ferveret이 비교 대상으로 제시한 포화 비등 침지 방식에서는 기포가 증기 공간으로 올라간 뒤 응축된다. 반면 Ferveret의 방식은 액체 안에서 기포를 국소적으로 응축시키는 것을 목표로 한다. 회사는 이 방식으로 대기압에 가까운 조건에서 작동하고 개별 서버를 수용하는 소형 인클로저를 사용할 수 있다고 설명한다.

Ferveret의 데이터센터 제품 페이지에는 Lambert라는 4U 랙 장착형 냉각 장치와 맞춤형 열교환기, 작동 조건을 조정하는 제어 소프트웨어가 소개되어 있다. 대형 공용 침지 탱크가 아니라 시설의 열 제거 설비에 연결하는 서버 규모의 냉각 시스템으로 배치하는 것이 목표다.

AI 운영자는 장시간 작업 중에도 프로세서가 열 한계 안에서 작동하도록 유지하면서 냉각 관련 오버헤드를 줄이고자 한다. 열이 성능을 제한하는 상황에서는 하드웨어를 더 시원하게 유지해 더 높은 작동 성능을 지속할 수 있다. 다만 이점의 크기는 비교 대상인 프로세서와 작업 부하, 전력 설정, 냉각 시스템에 따라 달라진다.

성능 수치 15%와 35%가 실제로 의미하는 것

발표에서 내세운 두 가지 주요 수치는 서로 다른 측정값을 나타낸다. Ferveret은 주요 칩 직접 냉각 방식과 비교해 서버 수준에서 컴퓨팅 성능이 최대 15% 향상되며, 시설 수준의 개선까지 포함하면 사용 가능한 컴퓨팅 성능이 최대 35% 늘어난다고 보고했다.

Ferveret이 3월에 발표한 내용에는 첫 번째 수치에 관한 세부 정보가 담겨 있다. UCLA Intelligent Connectivity Laboratory와 NVIDIA H200 GPU를 사용해 벤치마크를 실시했으며, 서버 전력 1킬로와트당 TFLOPs로 측정한 계산 효율이 15% 향상됐다고 밝혔다. 발표 자료는 이 서버 지표에서 시설 수준의 전력 사용 효율(PUE)을 명시적으로 제외했다.

이는 유용한 맥락을 제공하지만, 여전히 회사가 발표한 협업 내용에 대한 설명이다. 보도자료에는 비교 결과를 재현하기에 충분한 전체 벤치마크 절차나 원시 결과가 제시되어 있지 않다. 또한 와트당 부동소수점 연산 처리량이 15% 향상되었다고 해서 학습 시간이나 애플리케이션 출력이 자동으로 15% 개선되는 것은 아니다.

더 큰 수치는 서버 효율과 시설 모델을 결합한 것이다. Ferveret의 계산 사례에서는 전력사용효율(PUE)을 1.20에서 1.03으로 낮춘 뒤 서버 효율 15% 향상을 적용한다. PUE는 시설 전체의 전력 사용량을 IT 장비의 전력 사용량으로 나눈 값이다. 비율이 낮을수록 동일한 IT 부하를 처리하는 데 필요한 시설의 추가 전력 소비가 적다는 뜻이다.

제시된 입력값을 사용하면 두 요소를 합친 개선율은 약 34%다. 즉, 1.15에 1.20/1.03을 곱한 값이다. Ferveret은 그 결과를 약 35%라고 설명한다. 이 계산은 주장의 규모를 이해하는 데 도움이 되지만, 시설 효율을 가정해 산출한 시나리오이지 MIT의 핵물질 실험에서 속도가 35% 향상되었다는 발표된 측정값은 아니다.

근거가 끝나는 지점, 기회가 시작되는 지점

제공된 발표문에서 Jossou는 플랫폼을 이용하면 더 큰 모델을 사용하고, 더 빠르게 반복 작업을 수행하며, 실험을 지속적으로 진행할 수 있다고 말한다. 이러한 관찰은 추가 컴퓨팅 자원에 접근하는 것이 실질적으로 가치 있음을 뒷받침한다. 그러나 개선 효과 중 냉각에서 비롯된 부분이 얼마인지, 하드웨어 할당에서 비롯된 부분이 얼마인지, 또는 특정 과학 작업이 얼마나 더 빨라졌는지는 구분해 보여 주지 않는다.

지속가능성에도 같은 구분이 적용된다. Ferveret은 증발식 물 소비 없이 드라이 쿨러를 통해 열을 방출할 수 있는 폐쇄형 순환 시스템을 설명한다. 이는 냉각 구성에 관한 주장이다. 이를 전력 생산이나 장비 제조, 또는 가능한 모든 시설 설계에서 발생하는 물 발자국까지 없앤다는 뜻으로 해석해서는 안 된다.

발표문은 향후 연구 논문에서 Ferveret이 인프라를 제공한 공로를 인정할 것으로 예상된다고도 밝혔다. 연구 방법과 애플리케이션 수준의 결과가 발표되면 이 플랫폼이 재구성 정확도, 시뮬레이션 규모, 학습 시간, 완료된 실험당 에너지 소비에 어떤 영향을 미치는지 파악하는 데 도움이 될 것이다.

현재 내릴 수 있는 가장 확실한 결론은 제한적이다. Ferveret은 MIT가 핵물질 및 AI 연구에 초점을 둔 프로그램임을 확인한 연구에 인프라를 제공하고 있지만, 더 광범위한 효율성 주장을 평가할 때는 측정 범위를 주의 깊게 살펴야 한다. 장기적으로는 희소한 컴퓨팅 자원을 더 효율적으로 활용해 열전달 개선을 동일한 전력 예산 안에서 더 많은 과학 연구를 수행하는 성과로 이어갈 수 있다.