GPU 최적화 도우미 (NVIDIA)

무엇을 해주나

• CPU에서 느린 과학·데이터 파이썬 코드를 분석해 GPU로 옮길 가치가 있는지부터 판단합니다.
• 워크로드에 맞는 최소 침습적 경로를 골라 줍니다: NumPy→CuPy, pandas→cudf.pandas/cuDF, scikit-learn→cuml.accel/cuML, NetworkX→nx-cugraph, scikit-image→cuCIM, Faiss/k-NN→cuVS, 파일 I/O→KvikIO, 시뮬레이션→Warp/Newton.
• 이식 후에는 CPU 결과와 허용 오차 비교, CUDA 이벤트 기반 동기화 벤치마크(cupyx.profiler.benchmark, nsys, ncu)로 정말 빨라졌는지 증명합니다.
• 개선이 없으면 원인(전송 병목, CPU 폴백, 메모리 압박, 문제 크기)을 설명하고 이식을 되돌리도록 권합니다.
• cuxfilter·cuSpatial 같은 지원 종료 라이브러리는 레거시로 분류해 대체안을 제시합니다.

이런 분께 추천

• 대용량 배열·데이터프레임을 다루는 연구자, 데이터 사이언티스트, ML 엔지니어
• RAPIDS 생태계를 처음 도입하려는데 어떤 라이브러리를 써야 할지 모르는 분
• 이미 GPU 코드를 짰지만 속도 측정이 맞는지, 결과가 정확한지 확신이 없는 분

활용 예시

1. "수천만 행 pandas 그룹바이가 너무 느려요" → cudf.pandas 가속 모드부터 시도하고, 부족하면 네이티브 cuDF API로 전환 + 전송 비용 포함 end-to-end 벤치마크.
2. "sklearn NearestNeighbors 기반 RAG 검색을 빠르게" → cuVS로 이식하고 근사 검색이므로 recall@k를 정확 검색과 비교해 보고.
3. "NetworkX PageRank가 몇 시간 걸립니다" → nx-cugraph 백엔드 디스패치로 코드 변경 없이 가속, CPU 폴백 경고 로그 확인.

이 파일의 지시를 읽고 그대로 따라서 나를 도와줘:
https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/HEAD/skills/optimize-for-gpu/SKILL.md

내가 원하는 것: (여기에 하고 싶은 일을 쓰세요)

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 K-Dense-AI/scientific-agent-skills 의 skills/optimize-for-gpu 폴더를 내 ~/.claude/skills/optimize-for-gpu/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.