이재욱 교수 연구진, 머신러닝 포텐셜(MLIP) 기반 분자동역학 가속을 위한 FlashTP 라이브러리 개발
분자동역학에서 대두되는 머신러닝 기반 포텐셜 (MLIP)의 학습·추론 단계의 병목인 Tensor‑Product 레이어를 가속하는 GPU 라이브러리인 FlashTP 개발FlashTP 라이브러리를 서울대 재료공학부 및 삼성종합기술원에 제공해 세계 최고 수준의 MLIP 모델 개발 성공ICML 2025 Spotlight Poster (최상위 2.6%) 논문선정이재욱 교수 연구진이 분자동역학(Molecular Dynamics Simulation)에 사용되는 머신러닝 기반 포텐셜(MLIP)의 학습 및 추론 단계에서 주요 병목으로 작용하는 Tensor‑Product 레이어를 획기적으로 가속화하는 GPU 커널 기반 라이브러리 FlashTP를 개발했다. 라이브러리는 파편화된 연산을 하나의 커널로 통합(kernel fusion)해 중간 결과에 대한 메모리 전송을 대폭 줄이고, 연산 내 희소성(sparsity)을 이용해 불필요한 계산을 제거했으며, 입력값 재사용을 최적화해 메모리 통신량을 감소시켰다.이 결과, 화학·생물학·재료공학 등 다양한 분야에서 MLIP를 활용한 대규모 분자동역학 시뮬레이션의 처리 속도가 종전 대비 수십 배 향상되어, 기존에 불가능했던 대규모 시스템에 활용이 가능해졌다. 이재욱 교수 연구진은 FlashTP를 서울대 재료공학부 한승우 교수 연구진 및 삼성종합기술원에 제공하였고, 이들은 FlashTP를 사용해 최고 수준의 MLIP 모델(EquFlash)을 개발하였다.한편, 본 연구 성과는 지난 7월에 개최되는 머신러닝 분야 최고 권위의 학회인 ICML 2025에 발표되었다. 특히 전체 제출된 12,107 편의 논문 중 313편(최상위 2.6%)만 선정되는 스포트라이트 포스터(Spotlight Poster)로 채택되어 그 우수성을 인정받았다.“FlashTP: Fused, Sparsity-Aware Tensor Product for Machine Learning Interatomic Potentials”, Seung Yul Lee, Hojoon Kim, Yutack Park, Dawoon Jeong, Seungwu Han, Yeonhong Park and Jae W. Lee, ICML 2025....
