통신은 대규모 언어 모델 (LLM) 의 분산 학습에서 중요한 병목 현상으로 부상했습니다. 통신 오버헤드를 줄이기 위해 수많은 접근법이 제안되었지만, 압축과 해압축이 일반적으로 감소된 통신 트래픽의 이점보다 더 큰 오버헤드를 소비하기 때문에 무손실 압축의 잠재력은 여전히 크게 탐구되지 않았습니다. 우리는 학습 중 활성화 (activations), 기울기 (gradients) 및 파라미터 (parameters) 를 포함한 통신 데이터가 종종 근사 가우시안 분포를 따른다는 것을 관찰했습니다. 이는 데이터 압축을 위한 핵심 특징입니다. 따라서 우리는 LLM 학습용 콜렉티브의 무손실 압축 라이브러리인 ZipCCL 을 소개합니다. ZipCCL 은 다음과 같은 새로운 기술로 구비되어 있습니다: (1) LLM 텐서의 가우시안 분포를 활용하여 고비용 온라인 통계를 사용하지 않고도 압축을 가속화하는 이론적으로 근거된 지수 코딩 (exponent coding), (2) 통신 인식 데이터 레이아웃 (communication-aware data layout) 을 사용하여 메모리 접근 패턴과 파이프라인을 신중하게 설계한 GPU 최적화된 압축 및 해압축 커널, (3) 워크로드 패턴과 시스템 특성에 따라 콜렉티브 연산을 동적으로 전환하는 적응형 통신 전략입니다. mixture-of-experts 와 dense transformer 모델을 모두 사용한 64-GPU 클러스터에서 평가한 결과, ZipCCL 은 통신 시간을 최대 1.35 배 줄이고 모델 품질에 영향을 주지 않으면서 엔드투엔드 학습 속도를 최대 1.18 배 향상시킵니다.