GPU용 고성능 의사난수 생성기 xorgens 기반 접근

본 논문은 그래픽 처리 장치(GPU)에서 고성능 의사난수 생성기(PRNG)를 구현하기 위한 새로운 접근법을 제시한다. 서론에서는 Monte Carlo, MCMC, Particle MCMC 등 난수에 크게 의존하는 과학·공학 시뮬레이션이 GPU 가속을 통해 계산량을 크게 줄일 수 있지만, 난수 생성 단계가 CPU에 남아 전체 성능을 제한한다는 문제점을 지적한다. PRNG의 성능 평가는 생성 속도(RN/s)와 통계적 품질 두 축으로 나뉘며, 품질 평가는 DIEHARD, TestU01 등 포괄적인 테스트 배터리를 통해 수행한다. GPU 아키텍처인 NVIDIA CUDA의 기본 구조를 설명하면서, 스레드, 워프, 블록, 그리드의 계층적 관계와 공유 메모리, 전역 메모리, 레지스터의 특성을 강조한다. 특히, 각 스레드가 제한된 레지스터와 공유 메모리만을 사용할 수 있기 때문에 PRNG의 상태 크기가 전체 성능에 미치는 영향을 상세히 논한다. 다음으로 기존 GPU PRNG들을 검토한다. CURAND 라이브러리의 기본 XOR‑WOW는 상태가 작아 메모리 효율은 높지만, 주기가 짧고 선형성 문제가 있어 일부 테스트에서 약점을 보인다. MTGP는 Mersenne Twister를 GPU에 맞게 변형한 것으로, 긴 주기와 높은 품질을 제공하지만 고정된 19937‑bit 상태가 메모리 사용량을 크게 늘리고, 병렬화가 제한적이다(병렬 가능 요소는 N‑M 만큼). 이러한 한계를 극복하기 위해 xorgens 알고리즘을 도입한다. xorgens는 xorshift와 Weyl 생성기를 결합한 구조로, 상태 크기와 주기를 2ⁿ‑1 형태로 자유롭게 선택할 수 있다. 논문은 Brent이 제안한 파라미터 최적화 기법을 사용해 {r,s,a,b,c,d} 를 결정하고, 특히 r=128, s=65, a=15, b=14, c=12, d=17 로 설정한 사례를 제시한다. 이 설정은 상태가 128워드(≈4KB)이며, 주기는 2¹²⁸‑1 로 충분히 길다. GPU 구현에서는 각 CUDA 블록이 하나의 독립적인 PRNG 인스턴스를 공유 메모리로 보유하도록 설계했다. 블록 내부 스레드들은 동일한 파라미터를 사용하지만 서로 다른 시점의 상태를 읽어 병렬로 난수를 생성한다. 이는 재귀식에서 최대 min(s, r‑s) 만큼 동시에 계산이 가능함을 이용한 것으로, s≈r/2 로 설정하면 약 64개의 독립 연산을 동시에 수행할 수 있다. 또한 파라미터를 컴파일 타임 상수로 두어 레지스터 사용을 최소화하고, 불필요한 메모리 접근을 없앰으로써 실행 효율을 높였다. 실험은 NVIDIA GeForce GTX 480과 GTX 295(듀얼 GPU)에서 수행되었다. 성능 측정 결과, xorgens‑GP는 CURAND 대비 1.5~2배, MTGP 대비 1.2~1.4배 빠른 RN/s 를 기록했으며, 메모리 사용량은 CURAND보다 약간 높지만 MTGP보다 현저히 낮았다. 통계적 품질은 TestU01의 SmallCrush, Crush, BigCrush 모두에서 통과했으며, 특히 LinearComp, MatrixRank, HammingIndependence 등 선형성에 민감한 테스트에서도 실패하지 않았다. 이는 Weyl 추가 연산이 GF(2) 선형성을 효과적으로 깨뜨린 결과로 해석된다. 결론에서는 xorgens‑GP가 GPU 환경에서 상태 크기와 주기를 자유롭게 조절하면서도 높은 병렬성을 확보할 수 있음을 강조한다. 이는 다양한 GPU 세대와 메모리 제약에 맞춰 최적화가 가능함을 의미한다. 향후 연구 과제로는 다중 GPU 클러스터에서의 시드 관리, 동적 파라미터 조정, 그리고 SIMD 최적화를 통한 추가 속도 향상이 제시된다. 전체적으로 본 논문은 GPU 기반 Monte Carlo 시뮬레이션에 필요한 고품질·고속 난수 생성기의 설계 원칙과 구현 방법을 명확히 제시한다.