NVIDIA가 미국 시카고에서 열리는 슈퍼컴퓨팅 학회 SC26에서 DGX Spark 4대를 묶은 'DGX Spark HPC Developer Kit'를 공개했다. 연구자와 학계, 개발자가 공용 GPU 클러스터의 차례를 기다리지 않고 책상에서 여러 노드에 걸친 과학 연산과 AI 모델, 에이전트 작업을 돌리도록 만든 제품이다.
키트는 DGX Spark 4대로 이뤄진 클러스터이며, 각 시스템이 양옆 두 대와 링 형태로 직접 연결된다. 연결에는 ConnectX-7 네트워킹을 쓰기 때문에 네트워크 스위치를 따로 사거나 설정할 필요가 없다. 시스템 한 대(노드)부터 시작해 네 대까지 늘릴 수 있고, 각 시스템에는 GB10 Grace Blackwell Superchip이 들어간다.
키트는 SC26 행사장에 전시 중이며 판매도 시작됐다. DGX Spark 제품과 케이블은 주요 OEM 파트너에서 구매할 수 있고, NVIDIA Marketplace에서도 살 수 있다. 파트너는 Acer, ASUS, Dell Technologies, GIGABYTE, H3C, HP, Lenovo, MSI, xFusion이다.
사양과 개발 환경
네 대를 합치면 메모리 512GB, NVMe 저장공간 20TB가 된다. NVIDIA는 NVFP4 형식으로 DeepSeek V4.1 같은 최대 700B 파라미터 모델을 4대 클러스터에 나눠 로컬에서 돌릴 수 있다고 밝혔다. 고정된 컴퓨트와 서버 할당을 받은 연구자는 작업마다 대기열에 서지 않아도 된다. 개발과 디버깅을 직접 하면 서버 사용 시간을 본 실행에 아끼고, 미공개 결과와 자체 데이터셋도 사내에 둘 수 있다.
NVIDIA HPC SDK를 설치하는 플레이북은 곧 나온다. 이 SDK에는 GPU 가속 C, C++, Fortran 컴파일러와 라이브러리, 메시지 전달 인터페이스(MPI) 도구가 들어 있으며, NVIDIA 기반 슈퍼컴퓨터에서 쓰는 것과 같은 개발 도구다. 플레이북이 나오면 4개 노드에서 과학 응용을 만들고 시험하며, 연산과 데이터가 어떻게 나뉘는지 확인하고 통신 문제를 디버깅한 뒤 더 큰 시스템으로 옮길 수 있다.
FP32와 혼합 정밀도 알고리즘을 탐색하고, LAMMPS와 Kokkos로 분자동역학·재료 시뮬레이션을 돌리는 일도 플레이북 공개 이후에 가능하다. NVIDIA는 이렇게 로컬에서 먼저 개발한 뒤 데이터센터 시스템으로 확장하는 흐름을 안내했다.
4대 구성에서 시연된 작업은 재료 시뮬레이션용 LAMMPS with Kokkos와 분자동역학용 NAMD다. DGX Spark 커뮤니티가 검증한 소프트웨어로는 GROMACS(분자동역학), OpenFOAM(유체역학), WRF(기상 모델링), 생체분자 구조 예측용 NVIDIA NIM 마이크로서비스 OpenFold3와 Boltz-2가 있다. Nemotron 3.5 Super VL을 생명과학과 화학에 맞게 조정하도록 돕는 새 공개 데이터셋과 사후 학습 레시피도 DGX Spark에서 쓸 수 있다.
활용 사례
NVIDIA는 활용 방식으로 시뮬레이션 입력을 준비하고 실행해 결과를 요약하는 에이전트 워크플로를 들었다. 설정과 결론은 과학자가 검증한다. 느린 시뮬레이션을 근사하는 AI 모델을 학습시켜 날개 설계의 항력을 줄이는 데 쓰거나, 슈퍼컴퓨터 시간을 쓰기 전에 1,000만 셀 시뮬레이션을 의미 있는 50~500개 차원으로 좁히는 작업도 예로 나왔다.
- Kvantify는 NVIDIA cuQuantum으로 DGX Spark 한 대에서 최대 70큐비트, 975게이트의 양자화학 회로를 텐서 네트워크로 시뮬레이션했다고 밝혔다. 페니실린 바닥상태 에너지 계산용 회로로 성능을 시험했다.
- IIT Delhi에서 분사한 CYRAN AI는 DGX Spark와 PixelFlux 라이브러리로 대형 위성 이미지의 JPEG 2000 디코딩을 가속해 로컬 지리공간 분석에 쓴다.
- OpenFold는 DGX Spark에서 OpenFold3를 미세 조정해 신약 개발용 단백질-리간드 구조 예측을 개선하는 방법을 보였다.
- UC Berkeley IGI의 Rubin Lab은 DGX Spark와 Evo 2 모델로 유전체 서열에서 세균 특성을 예측한다. 클러스터 대기 11시간이 없어 결과가 15배 빨리 나왔다고 한다.
- UC Berkeley Hartwig Group은 Nemotron 3 Super 120B-A12B에 LoRA 미세 조정을 적용해 화학 머신러닝용 예측 헤드를 실험값으로 학습시킨다. NVFP4 양자화로 120B급 모델을 한 대에 올렸고, 며칠씩 걸리는 클러스터 대기 없이 8~24시간짜리 학습을 연달아 돌린다.
출처
이 기사는 아래 자료를 바탕으로 정리했습니다. 제목을 누르면 원문이 새 창으로 열립니다.