연구가 멈추지 않게 만드는 컴퓨팅
- Cloud
- 클라우드 위에 즉시 구축
- On-demand
- 필요한 만큼 즉시 확장
- Managed
- 운영 · 모니터링 포함
- Tuned
- Solver별 최적 환경
핵심 기능
연구자가 인프라를 신경 쓰지 않고 계산에만 집중할 수 있도록, 설계부터 운영까지 통합해서 제공합니다.
매니지드 클라우드 HPC
클라우드 위에 연구팀 전용 클러스터를 설계·구축합니다. 별도의 데이터센터·관리자가 필요 없습니다.
Solver별 튜닝
DFT · MD 등 주요 솔버에 맞춰 컴파일·라이브러리·통신 설정을 최적화. 같은 자원에서 더 빠른 결과를 얻습니다.
즉시 확장
사내 HPC 부족이나 대기열이 길어질 때, 추가 노드를 즉시 켜서 캠페인을 멈추지 않게 합니다.
작업 스케줄러
Slurm 기반 표준 스케줄러로 팀 단위 자원 분배. 우선순위·쿼터·fair-share 정책을 적용합니다.
모니터링·운영
자원 사용률·큐 상태·작업 이력을 실시간으로 확인하고, 장애 대응은 버추얼랩 운영팀이 함께합니다.
쓴 만큼의 비용
필요한 시간 동안만 자원을 띄워 사용하는 클라우드 과금 구조. 유휴 장비를 떠안지 않습니다.
같은 자원에서 결과를 더 빨리 얻는 방법
클라우드 HPC 의 성능은 노드를 몇 개 켜느냐보다 그 노드 위에서 솔버가 어떻게 빌드되고 어떻게 통신하느냐에 더 크게 좌우됩니다.
솔버별 튜닝이 구체적으로 하는 일
같은 소스를 어떤 컴파일러로, 어떤 수치 라이브러리에 링크해, 어떤 MPI 구현으로 빌드하느냐에 따라 동일한 계산의 벽시계 시간이 눈에 띄게 달라집니다. DFT 계열은 FFT 와 선형대수 성능에, MD 계열은 이웃 탐색과 노드 간 통신 지연에 민감합니다. MAXFlops 는 연구팀이 실제로 돌리는 솔버에 맞춰 이 조합을 미리 맞춰 둔 이미지를 제공합니다 — 연구자가 빌드 옵션을 실험해 볼 필요가 없어집니다.
노드를 얼마나 붙일 것인가
병렬 계산은 노드를 두 배로 늘린다고 두 배 빨라지지 않습니다. 어느 지점부터는 통신 비용이 계산 이득을 넘어서고, 그 지점은 계의 크기와 솔버에 따라 다릅니다. 도입 단계에서 대표 계산으로 스케일링을 재고, 그 결과를 기준으로 작업당 적정 노드 수를 정합니다. 과도한 병렬화는 결과를 늦추면서 비용만 늘리기 때문입니다.
스케줄러와 자원 분배
Slurm 기반 표준 스케줄러를 쓰므로 기존 HPC 경험이 그대로 통용됩니다. 팀·과제 단위로 우선순위와 쿼터를 두고 fair-share 정책을 적용하면, 한 사람의 대규모 캠페인이 팀 전체의 큐를 막는 상황을 막을 수 있습니다. 자원 사용률, 큐 상태, 작업 이력은 실시간으로 확인됩니다.
데이터와 비용
계산 결과는 노드보다 오래 남아야 하므로 스토리지와 컴퓨트의 수명을 분리해 설계합니다. 자원은 필요한 시간 동안만 띄우고, 유휴 장비를 떠안지 않는 클라우드 과금 구조를 그대로 따릅니다. 도입 논의는 주로 돌릴 솔버, 동시 사용자 수, 데이터 크기, 예산 범위를 함께 정리하는 것에서 시작합니다.
기존 워크플로우를 다시 짜지 않아도 되는 이유
스케줄러가 Slurm 표준이므로 사내 클러스터에서 쓰던 제출 스크립트와 작업 흐름이 대체로 그대로 통용됩니다. 새 명령 체계를 익히거나 파이프라인을 다시 짜는 비용이 도입 장벽이 되지 않도록 한 선택입니다. 계산이 끝난 결과를 어디에 어떻게 회수할지는 도입 단계에서 함께 정하고, 이후에는 로컬과 클라우드 중 어느 쪽에서 돌았는지가 연구자에게 보이지 않는 상태를 목표로 합니다.
도입 방식
워크로드를 듣고, 그에 맞게 클러스터를 설계해 구축합니다. 그 다음은 바로 사용 — 그게 전부입니다.
-
01
자원 요구사항 정의
주로 돌릴 솔버, 동시 사용자 수, 데이터 크기, 예산 범위를 함께 정리합니다.
-
02
클러스터 설계 · 구축
클라우드 위에 인스턴스·네트워크·스토리지·소프트웨어 스택을 설계하고, 솔버에 맞춰 튜닝해 띄웁니다.
-
03
사용 · 운영
연구자는 작업만 제출하면 됩니다. 모니터링·장애 대응·필요 시 확장은 버추얼랩이 담당합니다.
이런 곳에서 활용됩니다
대규모 소재 계산 캠페인
많은 후보 구조에 대한 DFT·MD 스크리닝, 수천 잡 단위의 데이터 생성 파이프라인. 캠페인 기간에만 노드를 늘리고 끝나면 되돌리는 사용 형태입니다.
AI 학습용 대용량 데이터 생성
소재 ML 모델 학습을 위한 계산 데이터셋 구축 — 일정 시간 안에 끝내야 하는 워크로드. 마감이 있는 작업에서는 대기열 길이가 곧 일정 위험입니다.
일상적인 DFT · MD 계산
사내 HPC 부족으로 대기 중인 일반 계산을, 필요한 만큼만 클라우드로 이전. 사내 자원을 늘리지 않고 대기열만 걷어내는 형태입니다.
단기 공동 연구 · 프로젝트
기간이 정해진 과제 동안 전용 자원을 띄워 쓰고, 끝나면 정리. 과제 기간보다 오래 남는 장비를 떠안지 않습니다.
MAXFlops에 대해 자주 묻는 질문
MAXFlops는 어떤 서비스인가요?
연구팀 전용 HPC 클러스터를 클라우드 위에 설계·구축하고 운영까지 맡는 매니지드 서비스입니다. 장비 조달, 데이터센터, 전담 관리자가 없어도 대규모 계산 환경을 쓸 수 있습니다.
사내에 이미 HPC가 있는데도 필요한가요?
사내 자원이 부족하거나 대기열이 길어질 때 추가 노드를 즉시 켜서 계산 캠페인을 멈추지 않게 하는 용도로 함께 씁니다. 상시 증설 대신 필요한 기간에만 확장하는 방식입니다.
작업 제출과 자원 배분은 어떻게 하나요?
Slurm 기반 표준 스케줄러를 사용합니다. 팀 단위로 우선순위·쿼터·fair-share 정책을 적용할 수 있고, 자원 사용률과 큐 상태, 작업 이력을 실시간으로 확인할 수 있습니다.
"Solver별 튜닝"은 무엇을 의미하나요?
DFT·MD 등 주로 사용하는 솔버에 맞춰 컴파일 옵션, 수치 라이브러리, 노드 간 통신 설정을 최적화해 둔다는 뜻입니다. 같은 자원에서도 더 짧은 시간에 결과가 나오고, 연구자가 환경을 직접 손볼 필요가 없습니다.
비용은 어떻게 산정되나요?
필요한 시간 동안만 자원을 띄워 사용하는 클라우드 과금 구조입니다. 주로 돌릴 솔버, 동시 사용자 수, 데이터 크기, 예산 범위를 함께 정리한 뒤 그에 맞춰 클러스터를 설계합니다.