본 연구는 원래 정적 그래프(static graphs)를 위해 설계된 스펙트럴 클러스터링 (spectral clustering) 및 모듈성 기반 (modularity-based) 알고리즘의 GPU 가속 확장 기능을 통해 시계열 네트워크 (temporal networks)에서의 커뮤니티 탐지 (community detection) 문제를 다룹니다. NVIDIA RAPIDS 생태계를 기반으로 구축된 이 프레임워크는 Dask 기반 워크로드 분산을 통한 멀티 GPU 지원을 갖춘 Leiden 탐욕적 최적화 (Leiden greedy optimization) 또는 대칭 Bethe-Hessian 연산자 (symmetric Bethe-Hessian operator)의 고유값 분해 (eigendecomposition)를 통해, 스냅샷 기반 동적 그래프 (snapshot-based dynamic graphs) 내 커뮤니티의 특성 파악 및 추적을 가능하게 합니다. 우리의 멀티슬라이스 모듈성 (multislice modularity) 백엔드는 기존 그래프 분석 파이프라인과의 호환성을 유지하면서, 그래프 밀도와 스냅샷 수에 따라 동일 작업 예산 하에서 CPU 참조 모델 대비 최대 약 3자릿수(three orders of magnitude)의 속도 향상을 달성합니다. 우리는 실제 데이터셋과 합성 데이터셋 (synthetic datasets)에 대한 적용 가능성을 입증하여, 시간에 따른 구조적 네트워크 속성의 탐색적 분석을 용이하게 합니다. 이러한 기능은 전염병 확산 (epidemic spreading), 금융 시스템 (financial systems), 사이버 보안 (cybersecurity), 그리고 궤적 및 이동성 분석 (trajectory and mobility analysis)과 같은 여러 응용 분야에서 유용합니다. 우리는 사용 편의성을 높이고 기존 코드베이스에서 코드 작성 없이 가속화(zero-code acceleration)를 지원하기 위해 NetworkX-Temporal 라이브러리를 통한 Python 바인딩을 포함하여, 구현체를 무료 오픈 소스 소프트웨어로 공개합니다.