GPU(그래픽 처리 장치)는 실시간으로 그래픽을 렌더링하도록 설계되었습니다. 그러나 GPU를 그래픽에서 훌륭하게 만드는 것은 그래픽이 아닌 특정 작업에서도 GPU를 훌륭하게 만드는 것으로 나타났습니다. 이를 GPU 컴퓨팅이라고 합니다.
CPU와 GPU는 어떻게 다릅니까?
원칙적으로 GPU와 CPU(중앙 처리 장치)는 모두 동일한 기술의 제품입니다. 각 장치 내부에는 수백만에서 수십억 개의 미세한 전자 부품, 주로 트랜지스터로 구성된 프로세서가 있습니다. 이러한 구성 요소는 논리 게이트와 같은 프로세서 요소를 형성하고 이진 코드를 오늘날 우리가 가진 정교한 컴퓨터 경험으로 바꾸는 복잡한 구조로 만들어집니다.
CPU와 GPU의 주요 차이점은 병행. 최신 CPU에는 여러 개의 복잡한 고성능 CPU 코어가 있습니다. 4코어는 주류 컴퓨터에 일반적이지만 6코어 및 8코어 CPU가 주류가 되고 있습니다. 고급 전문가용 컴퓨터에는 특히 1개 이상의 CPU를 수용할 수 있는 다중 소켓 마더보드의 경우 수십 또는 100개 이상의 CPU 코어가 있을 수 있습니다.
각 CPU 코어는 한 번에 하나 또는 (하이퍼스레딩을 사용하여) 두 가지 작업을 수행할 수 있습니다. 그러나 그 작업은 거의 모든 것이 될 수 있으며 매우 복잡할 수 있습니다. CPU는 복잡한 수학을 효율적으로 처리할 수 있도록 다양한 처리 능력과 믿을 수 없을 정도로 똑똑한 디자인을 가지고 있습니다.
최신 GPU는 일반적으로 수천 그들에 있는 간단한 프로세서의. 예를 들어 Nvidia의 RTX 3090 GPU에는 무려 10496개의 GPU 코어가 있습니다. CPU와 달리 각 GPU 코어는 비교적 단순하며 그래픽 작업에서 일반적인 유형의 계산을 수행하도록 설계되었습니다. 뿐만 아니라 수천 개의 프로세서 모두가 동시에 그래픽 렌더링 문제의 작은 부분을 해결할 수 있습니다. 이것이 우리가 “병렬화”를 의미하는 것입니다.
GPU에서 범용 컴퓨팅(GPGPU)
CPU는 전문화되지 않았으며 작업을 완료하는 데 걸리는 시간에 관계없이 모든 유형의 계산을 수행할 수 있음을 기억하십시오. 사실, CPU는 GPU가 할 수 있는 모든 것을 할 수 있지만 실시간 그래픽 애플리케이션에 유용할 만큼 충분히 빨리 할 수는 없습니다.
이것이 사실이라면 그 반대도 어느 정도 사실입니다. GPU는 할 수 있습니다 일부 우리가 일반적으로 CPU에 요청하는 것과 동일한 계산을 수행하지만 슈퍼컴퓨터와 같은 병렬 처리 설계를 가지고 있기 때문에 훨씬 더 빠르게 수행할 수 있습니다. 이것이 바로 GPGPU입니다. GPU를 사용하여 기존 CPU 워크로드를 수행합니다.
주요 GPU 제조업체(NVIDIA 및 AMD)는 사용자가 GPGPU 기능에 액세스할 수 있도록 특수 프로그래밍 언어 및 아키텍처를 사용합니다. Nvidia의 경우 CUDA 또는 통합 장치 아키텍처를 계산합니다. 이것이 GPU 프로세서가 CUDA 코어라고 불리는 이유입니다.
CUDA는 독점이기 때문에 AMD와 같은 경쟁 GPU 제조업체에서는 사용할 수 없습니다. 대신 AMD의 GPU는 OpenCL 또는 오픈 컴퓨팅 언어). Nvidia와 Intel을 포함하는 회사의 컨소시엄에서 만든 GPGPU 언어입니다.
과학 연구의 GPU
GPU 컴퓨팅은 과학자들이 이전보다 훨씬 적은 예산으로 할 수 있는 일에 혁명을 일으켰습니다. 데이터 마이닝은 컴퓨터가 산더미 같은 데이터에서 흥미로운 패턴을 찾고 그렇지 않으면 소음 속에서 잃어버릴 인사이트를 얻는 것입니다.
Folding@Home과 같은 프로젝트는 사용자가 기부한 가정용 GPU 처리 시간을 사용하여 암과 같은 심각한 문제를 해결합니다. GPU는 과거에는 완료하는 데 몇 년이 걸리고 대형 슈퍼컴퓨터에서는 수백만 달러의 시간이 걸렸을 모든 종류의 과학 및 엔지니어링 시뮬레이션에 유용합니다.
인공 지능의 GPU
GPU는 특정 유형의 인공 지능 작업에도 적합합니다. 머신 러닝(ML)은 CPU보다 GPU에서 훨씬 빠르며 최신 GPU 모델에는 훨씬 더 전문화된 머신 러닝 하드웨어가 내장되어 있습니다.
GPU가 현실 세계에서 AI 애플리케이션을 발전시키는 데 어떻게 사용되고 있는지 보여주는 한 가지 실용적인 예는 자율주행 자동차의 출현입니다. Tesla에 따르면 Autopilot 소프트웨어는 차량을 운전하는 기술로 신경망을 “훈련”시키는 데 70,000 GPU 시간이 필요했습니다. CPU에서 동일한 작업을 수행하는 것은 너무 비싸고 시간이 많이 걸립니다.
암호화폐 채굴의 GPU
GPU는 암호화 퍼즐을 푸는 데에도 탁월하기 때문에 암호화폐 채굴에서 인기를 얻고 있습니다. GPU는 ASIC(Application-specific Integrated Circuits)만큼 빠르게 암호화폐를 채굴하지는 않지만 다목적이라는 뚜렷한 이점이 있습니다. ASIC은 일반적으로 하나의 특정 유형 또는 소규모 암호화폐 그룹만 채굴할 수 있으며 다른 것은 없습니다.
암호 화폐 채굴기는 적어도 2022년 초 작성 시점에서 GPU가 너무 비싸고 찾기 어려운 주요 이유 중 하나입니다. GPU 기술의 높이를 경험한다는 것은 NVIDIA GeForce RTX 3090의 가격이 다음과 같이 비싸다는 것을 의미합니다. $2,500 이상. NVIDIA가 게임용 GPU의 암호화 성능을 인위적으로 제한하고 특수한 마이닝 전용 GPU 제품을 도입한 것이 문제가 되었습니다.
당신도 GPGPU를 사용할 수 있습니다!
항상 인식하지 못할 수도 있지만 매일 사용하는 일부 소프트웨어는 처리 중 일부를 GPU로 오프로드합니다. 예를 들어 비디오 편집 소프트웨어나 오디오 처리 도구로 작업하는 경우 GPU가 일부 부하를 전달할 가능성이 큽니다. 집에서 자신만의 딥페이크를 만드는 것과 같은 프로젝트를 수행하려는 경우 GPU가 다시 한 번 이를 가능하게 하는 구성 요소입니다.
스마트폰의 GPU는 클라우드 컴퓨터로 보내져야 하는 많은 인공 지능 및 머신 비전 작업을 실행하는 역할도 합니다. 따라서 우리는 GPU가 화면에 매력적인 이미지를 그리는 것 이상을 할 수 있다는 사실에 감사해야 합니다.
