이 새로운 에뮬레이터는 딥러닝 기반의 딥 에뮬레이터 네트워크 검색(DENSE, Deep Emulator Network Search) 기술을 기반으로 한다.

호주 산불로 인한 연기 이동 시뮬레이션(사진:NASA영상 캡처)
호주 산불로 인한 연기 이동 시뮬레이션(사진:NASA영상 캡처)

컴퓨터 시뮬레이션은 과학적 발견과 검증을 위한 귀중한 도구이다. 그러나 정확한 시뮬레이션은 실행 속도가 느리기 때문에 광범위한 매개 변수 탐색, 대규모 데이터 분석 및 불확실성 정량화에 적용하기 어렵다. 또 원자, 구름, 은하 또는 기타 모델링 대상에서 미치는 영향을 계산하는 데는 세계에서 가장 빠른 슈퍼컴퓨터에서도 몇 시간이 걸린다고 한다.

이에 원자 입자가 상호 작용하는 방식 또는 안개가 기후에 미치는 영향을 시뮬레이션하기 위해 스탠포드대학과 옥스포드대학의 연구팀이 수십억 배의 시뮬레이션 속도를 높일 수 있는 딥러닝 기반으로 한 에뮬레이터(Emulator)를 개발했다.

기존 물리 기반 시뮬레이션에 의존하는 대신 새로운 AI 기반 에뮬레이터는 이러한 시뮬레이션을 신속하게 도출해 과학자들이 시간을 최대한 활용할 수 있도록 혁신적인 방안을 제시한 것이다.

이 새로운 에뮬레이터는 딥 에뮬레이터 네트워크 검색(DENSE, Deep Emulator Network Search) 기술을 기반으로 한다. 이 모델은 스탠포드의 컴퓨터 과학자 멜로디 구안(Melody Guan)과 옥스포드 대학의 물리학자인 무하마드 카심(Muhammad Kasim)이 공동 개발한 일반적인 신경 구조 검색에 기반을 둔다.

(a-f) 테스트 데이터 세트에서 가져온 시뮬레이션 출력과 비교한 에뮬레이터 출력의 예. 모든 테스트 사례에서 에뮬레이터 출력의 예는 그림 5, (g) DENSE Emulators가 획득한 손실함수와 비깊이 학습방법과 수동으로 설계된 심층신경망에서 발견된 최적의 손실함수 사이의 비율(h) GPU를 이용한 에뮬레이터의 초기 시뮬레이션과 비교하여 속도 향상(도표:논문캡처)

이 방법은 천체 물리학, 기후 과학, 생물지질화학, 고 에너지 밀도 물리학, 융합 에너지 및 지진학을 포함한 10 개의 과학적 사례에서 동일한 수퍼 아키텍처, 알고리즘 및 하이퍼 파라미터를 사용하여 시뮬레이션을 최대 20 억 번 가속화한다.

연구팀의 접근 방식은 본질적으로 에뮬레이터 불확실성 추정을 제공하여 사용에 대한 자신감을 더했으며, 특히, 일반 순환 모델(GCM)을 사용한 글로벌 에어로졸 기후 모델링 시뮬레이션의 경우, 팀은 먼저 CPU 만 사용하여 시뮬레이션을 테스트했다. CPU 시간은 약 1150 시간이 걸렸으며, 엔비디아 타이탄(TITAN) X GPU를 사용해 시뮬레이션은 20 억 회 이상 가속화되었다고 논문을 통해 밝혔다.

이 연구의 수석 저자 카심(Kasim)은 "DENSE(딥 에뮬레이터 네트워크 검색)가 한 가지 비교에서 천문학 시뮬레이션의 결과는 전체 슈퍼 컴퓨터 기반 시뮬레이션의 결과와 99.9 % 이상 동일했으며, 처음에는 이러한 정확도 수준을 달성하기 위해 시뮬레이션 당 수만 건의 훈련 예제가 필요할 것이라고 생각했다. 그러나 그는 단지 수천으로, 그리고 에어로졸의 경우에는 수십만으로 이것을 달성했습니다"라고 논문을 통해 밝혔다.

한편, 연구팀은 DENSE가 다른 과학자들이 데이터를 즉시 해석할 수 있게 되기를 희망하며, 이 연구가 값비싼 시뮬레이션과 관련된 연구를 가속화하고, 더 광범위한 매개변수 탐색을 가능하게 하고, 이전에 실현 불가능한 새로운 계산 방법을 가능하게 할 것으로 기대한다고 밝혔다.

이 연구 결과 '딥신경 구조 검색을 통한 과학 시뮬레이션 최대 20억 배 가속(Up to two billion times acceleration of scientific simulations with deep neural architecture search)'는 지난달 17일 아카이브에 게재됐다.(논문 다운)

 

 

저작권자 © 인공지능신문 무단전재 및 재배포 금지