GPU 최적화 (NVIDIA)

무엇을 해주나

느린 NumPy·pandas·scikit-learn·NetworkX·scikit-image 코드를 GPU로 옮기는 작업을 "증거 기반 최적화"로 진행합니다.

• 라이브러리 선택 가이드: CuPy(NumPy/SciPy), cuDF(pandas), cuML(scikit-learn), nx-cugraph(NetworkX), cuCIM(이미지), cuVS(벡터 검색), KvikIO(파일 I/O), Warp/Newton(시뮬레이션), Numba-CUDA(커스텀 커널), RAFT(저수준 프리미티브)를 상황에 맞게 매칭합니다.
• 단계적 접근: 먼저 cudf.pandas, cuml.accel, nx-cugraph 같은 무침습 가속 모드를 시도하고, 필요할 때만 네이티브 API나 커스텀 커널로 내려갑니다.
• 정확성 검증: CPU 결과와 허용 오차 기준으로 비교하고, 근사 ANN은 recall@k로 평가합니다.
• 올바른 벤치마킹: 비동기 실행 특성을 감안해 CUDA 이벤트/cupyx.profiler.benchmark, nsys, ncu를 사용하고 전송 비용까지 포함한 end-to-end 시간을 보고합니다.
• 포팅 철회 판단: 개선이 없으면 원인(문제 크기, 전송, CPU 폴백, 메모리 압박 등)을 설명하고 CPU 경로 유지를 권합니다.

또한 cuxfilter(26.06 최종 릴리스), cuSpatial(25.04 아카이브)처럼 레거시가 된 프로젝트를 새 작업에 쓰지 않도록 안내합니다.

이런 분께 추천

• 대용량 배열·데이터프레임 처리로 밤새 돌아가는 연구·분석 파이프라인을 가진 분
• RAPIDS 생태계에 입문하고 싶지만 어떤 라이브러리를 골라야 할지 모르는 분
• 물리 시뮬레이션, 그래프 분석, 벡터 검색(RAG), 의료·병리 이미지 처리를 하는 분
• "GPU로 바꿨는데 왜 안 빨라지죠?"라는 문제를 제대로 진단하고 싶은 분

활용 예시

1. pandas 파이프라인 가속: 5천만 행 CSV 집계 스크립트를 주고 "GPU로 빠르게 해줘"라고 요청 → 먼저 cudf.pandas 가속 모드로 CPU 폴백 경고를 확인하고, 병목 구간만 네이티브 cuDF로 재작성한 뒤 전송 비용 포함 전후 벤치마크를 제시.
2. 벡터 검색 전환: sklearn NearestNeighbors 기반 RAG 검색기를 cuVS로 옮기며, 정확 검색 대비 recall@k를 함께 보고해 품질 저하 여부를 판단.
3. 커스텀 커널 최적화: 파이썬 루프 기반 입자 시뮬레이션을 Warp 커널로 JIT 컴파일하고, nsys 타임라인으로 호스트-디바이스 왕복을 제거.

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.