서강대 연구팀, AI 학습 장애 대비 저장 기술 '캐시엑스' 개발

인공지능 분야 국제학술대회 '뉴립스 2026' 게재

미국 오크리지국립연구소 연구진과 공동 연구

[서울=뉴시스] 김영재 서강대 컴퓨터공학과 교수, 파리드 탈리블리 박사과정생. (사진=서강대 제공) 2026.10.12. [email protected] *재판매 및 DB 금지

[서울=뉴시스]이예인 인턴 기자 = 서강대학교는 김영재 컴퓨터공학과 교수 연구팀의 논문이 인공지능(AI) 분야 국제학술대회 '뉴립스(NeurIPS) 2026'에 채택됐다고 12일 밝혔다.

연구팀은 AI 학습 중 장애가 발생했을 때 잃게 되는 학습량을 줄이는 방법을 제시했다. 학습 데이터가 실제로 안전하게 저장되는 시점을 분석하고, 상황에 따라 더 빠른 저장 경로를 고르는 방식이다.

대규모 AI 모델은 학습에 오랜 시간이 걸려 중간 상태를 '체크포인트'라는 파일로 주기적으로 저장해 뒀다가 장애가 생기면 파일에서 학습을 다시 시작한다.

문제는 프로그램이 저장을 마쳤다고 인식한 시점과 데이터가 실제로 안전하게 보관된 시점이 다를 수 있다는 점이다.

그 사이에 장애가 발생하면 이전 체크포인트로 돌아가 이미 했던 연산을 반복해야 한다. 여러 작업이 함께 쓰는 공유 저장장치는 성능이 수시로 바뀌어 위험 구간이 얼마나 이어질지 예측하기도 어렵다.

연구팀은 동시 쓰기 작업 수와 공유 파일시스템 상태 등에 따라 체크포인트 완료 시간이 어떻게 달라지는지 설명하는 확률분포 기반 모델을 만들었다.

이를 바탕으로 저장 경로를 고르는 기준도 제시했다. 공유 저장장치가 한산할 때는 바로 저장하는 편이, 붐빌 때는 다른 노드에 복제해 두는 편이 더 빨리 안전한 상태에 이른다.

연구팀은 이 같은 분석 모델을 실제 시스템으로 구현한 저장 기술 '캐시엑스(CacheX)'도 선보였다.

미국 프런티어 슈퍼컴퓨터와 한국과학기술정보연구원(KISTI) 뉴런 시스템에서 시험한 결과 캐시엑스는 체크포인트 저장 시간 편차를 최대 43분의 1로 줄였다. 일반적인 저장 완료 시간은 평균 7.1% 오차 수준으로 예측했다.

학습 프로세스를 강제로 끄고 로컬 데이터를 지우는 실험에서도 다른 노드에 남은 복제본으로 32개 체크포인트 조각과 메타데이터를 모두 확보해 학습을 정상 재개했다.

연구에는 김 교수(교신저자)와 파리드 탈리블리 박사과정생(제1저자)을 비롯해 미국 오크리지국립연구소 연구진 등이 참여했다. 뉴립스 2026은 오는 12월 6일부터 8일간 호주 시드니와 미국 애틀랜타, 프랑스 파리에서 열린다.


◎공감언론 뉴시스 yein020528