Awkward Arrays의 GPU 가속화: Python cuda.compute 활용

Awkward Array는 고에너지 물리학(HEP) 분야에서 파이썬으로 중첩되고, 변동 길이의 데이터를 표현하고 조작하는 데 널리 사용되는 라이브러리입니다. 이전 CHEP 기여에서는 Awkward Array의 GPU 가속화를 탐구했으며, CUDA 기반 백엔드의 실현 가능성과 성능상의 이점을 입증함과 동시에, 불규칙한 데이터 접근, 세밀한 커널 실행(fine-grained kernel launches), 연산의 조합성(composability)과 관련된 한계점도 파악했습니다. 본 기여에서는 이러한 초기 노력들을 직접적으로 계승하여, Python CUDA Core Compute Libraries (CCCL) 기반의 Awkward Array용 CUDA 실행 모델을 소개합니다. CCCL을 사용함으로써, 사용자 정의 CUDA 커널이 필요 없어지고 대신 고수준(high-level) 파이썬 인터페이스를 사용할 수 있게 되었습니다. 또한 CCCL 기반 접근 방식은 여러 Awkward 연산을 적은 수의 CUDA 커널로 융합(fusion)할 수 있도록 하여, 이전 GPU 구현에서 관찰되었던 커널 실행 오버헤드 문제를 해결합니다. 지연 실행(Lazy execution)을 통해 표현식 그래프를 커널 생성 이전에 구성하고 최적화할 수 있어, 톱니 모양 배열(jagged arrays), 조합 연산(combinatorial operations), 그리고 축소(reductions)가 포함된 분석 워크플로우의 성능을 향상시킵니다. 이전 접근 방식과 달리, 본 설계는 확장성 또한 강조하여, 최소한의 보일러플레이트 코드와 기존 분석 의미론(analysis semantics)을 깨뜨리지 않으면서 사용자 정의 파이썬 코드를 GPU 실행 경로에 통합할 수 있도록 합니다. 우리는 대표적인 HEP 분석 패턴에 대해 이전에 보고된 즉시(eager) GPU 실행 전략 대비 개선을 입증하는 성능 연구를 제시합니다. 이러한 개발은 Awkward Array의 GPU 기능을 더욱 조합성이 높고 지속 가능한 백엔드로 확장하며, HL-LHC 및 그 이후 파이썬 기반 분석의 요구 사항과 일치하도록 합니다.