Argonne는 Genesis Mission 프로젝트 및 기타 과학 연구를 위해 ALCF 추론 서비스를 확장하고자 신규 Tara 시스템을 포함한 AI 추론 역량을 추가했다.

2026년 11월 4일 — 미국 에너지부(DOE) 산하 아르곤 국립연구소(Argonne National Laboratory)가 연구자들에게 더 다양한 첨단 모델과 인공지능(AI)을 과학 워크플로에 통합하기 위한 새로운 도구를 제공하기 위해, 자사 추론 서비스(Inference Service)의 컴퓨팅 자원을 확장하고 있다.

HPE 및 NVIDIA와 협력하여 개발된 신규 Tara 시스템은 ALCF 추론 서비스가 활용할 수 있는 컴퓨팅 자원을 크게 늘려, 더 고도화된 AI 모델과 점점 늘어나는 과학 응용 분야를 지원한다.

신규 Tara 및 Minerva 시스템이 추가됨에 따라, 아르곤 리더십 컴퓨팅 시설(Argonne Leadership Computing Facility, ALCF)의 추론 서비스는 더 크고 성능이 뛰어난 모델을 호스팅하고, 늘어나는 수요에 맞춰 규모를 키우며, AI 에이전트와 같은 새로운 활용 사례를 지원할 수 있는 상당히 많은 컴퓨팅 용량을 확보하게 되었다. ALCF는 DOE 과학국(Office of Science)의 사용자 시설이다.

이러한 추가 컴퓨팅 성능과 기능은 이 서비스가 DOE의 Genesis Mission에서 핵심적인 역할을 하는 데도 힘을 보탠다. Genesis Mission은 발견 과학을 가속하고, 국가 안보를 강화하며, 에너지 혁신을 이끌기 위해 마련된 국가적 이니셔티브다. Genesis Mission 프로젝트 팀뿐 아니라, ALCF 추론 서비스는 현재 DOE 국립연구소의 과학자들과 보다 넓은 ALCF 사용자 커뮤니티의 연구자들이 이용할 수 있다.

ALCF의 AI 팀 리더 Venkat Vishwanath는 "ALCF는 오랫동안 연구자들이 대규모로 과학을 추구하는 데 필요한 컴퓨팅 자원을 제공해 왔다"고 말했다. "추론과 에이전트 기반 워크플로가 과학에서 점점 더 큰 역할을 맡게 됨에 따라, 우리는 컴퓨팅 시스템을 보완하고 과학자들이 연구에서 더 높은 생산성을 낼 수 있도록 돕는 새로운 서비스와 도구를 제공하기 위해 진화하고 있다."

**서비스 규모 확장**

Minerva와 Tara는 ALCF의 Sophia 및 Metis 시스템과 함께 추론 서비스를 구동하는 컴퓨팅 자원이 된다.

HPE와 협력하여 개발된 Tara는 엑사스케일급 HPE Cray Supercomputing EX4000 아키텍처를 기반으로 하며, 총 2,688개의 NVIDIA GH200 Grace Hopper 슈퍼칩을 탑재한 672개의 노드로 구성된다. Tara만으로도 이 서비스가 이전에 활용할 수 있었던 GPU 메모리의 약 100배에 달하는 용량을 제공한다. World Wide Technology와 협력하여 개발된 Minerva는 총 64개의 NVIDIA B200 GPU를 갖춘 8개의 노드로 구성된다. ALCF는 또한 최근 Metis를 SambaRack 2개에서 6개로 확장했으며, 이에 따라 고처리량과 저지연 추론을 위해 설계된 SambaNova SN40L 프로세서가 총 96개가 되었다.

늘어난 컴퓨팅 용량 덕분에 추론 서비스는 더 폭넓은 첨단 모델을 호스팅할 수 있게 되었고, 증가하는 연구자 수요에도 대응할 수 있게 되었다. 이 서비스는 현재 널리 쓰이는 오픈 웨이트 대형 언어 모델부터 과학 파운데이션 모델과 컴퓨터 비전 모델에 이르기까지 50개 이상의 모델을 제공한다. 최근 추가된 모델로는 Meta의 Muse Spark Open, Reflection의 Beam, Mistral Large 4가 있다. 보다 넓은 카탈로그에는 Google의 Gemma, Meta의 Llama 같은 검증된 모델 계열과 함께 AuroraGPT, GenSLM 같은 과학 특화 모델이 포함되어 있다.

연구자들은 모델과 소프트웨어 애플리케이션을 연결하는 응용 프로그램 인터페이스(API)를 통해서나, ChatGPT와 유사한 사용자 친화적인 채팅 방식 인터페이스를 통해 서비스에 접근할 수 있다. 이 서비스를 통해 사용자는 기반 컴퓨팅 인프라를 직접 구축하고 관리하지 않고도 사용 가능한 모델을 조회하거나 추가 모델을 요청할 수 있다. 모델이 ALCF 현장에서 자체적으로 구동되므로, 민감한 연구 데이터를 다룰 수 있는 안전한 환경도 제공된다.

ALCF 팀은 서비스의 성능, 가용성, 신뢰성을 높이기 위한 작업을 계속하고 있다. 여기에는 모델 응답이 사용자에게 전달되는 방식의 개선, 응답 시간을 줄이기 위해 가능한 경우 이전 요청의 정보를 재사용하는 것, 가용 자원 전반에 걸쳐 작업 부하를 분산하는 것이 포함된다.

**과학 워크플로에 에이전트 통합**

에이전트 기반 워크플로를 지원하는 것은 이 서비스의 주요 개발 분야다. 주로 프롬프트에 응답하는 챗봇과 달리, 에이전트는 모델을 소프트웨어 도구 및 컴퓨팅 자원과 연결하여 연구자를 대신해 작업을 수행할 수 있다. 예를 들어 에이전트는 과학자가 계산에 필요한 스크립트와 매개변수를 준비하고 그 결과 데이터를 분석하도록 도울 수 있다. 에이전트는 또한 과학 코드를 최적화하여 서로 다른 컴퓨팅 아키텍처에서 효율적으로 실행되도록 돕는 데 활용될 수 있다.

연구자들은 Pi, OpenCode, Codex, Claude Code를 포함한 널리 쓰이는 에이전트 도구와 함께 ALCF 추론 서비스를 통해 제공되는 모델을 이미 사용할 수 있다. ALCF 팀은 이러한 도구를 서비스와 함께 쓰는 과정을 간소화하는 소프트웨어를 개발했으며, 이를 통해 연구자들은 익숙한 개발 환경에서 작업하면서도 ALCF 컴퓨팅 자원에서 구동되는 모델을 활용할 수 있다. 팀은 또한 에이전트가 시설 자원과 더 직접적으로 상호작용할 수 있는 도구를 개발하고 있으며, 컴퓨팅 작업 제출이나 ALCF 파일 시스템에 저장된 데이터 접근과 같은 작업을 가능하게 하는 것이 목표다.

ALCF 과학 책임자 Katherine Riley는 "에이전트 기반 워크플로가 과학적 과정에서 훨씬 더 큰 역할을 하는 지점에 이르고 있다"고 말했다. "연구자들이 에이전트를 활용해 과학 도구를 연결하고, 다단계 계산과 데이터 분석을 자동화하며, 실험 결과를 바탕으로 다음에 무엇을 조사할지 결정하는 것을 보고 있다."

이러한 기능은 이 서비스를 활용하는 프로젝트에서 이미 시연되고 있다. 예를 들어, 아르곤에서 개발된 계산 화학 및 재료 과학용 에이전트 프레임워크인 ChemGraph는 추론 서비스에서 호스팅되는 대형 언어 모델을 사용하여 과학 워크플로를 간소화하고 자동화한다. 연구자는 문제를 일상 언어로 설명할 수 있고, ChemGraph는 에이전트를 배치해 시뮬레이션과 분석을 계획하고 조율하도록 돕는다.

추론 서비스는 또한 DOE 광원 및 중성자 시설에서 자율 실험을 수행할 수 있는 역량을 개발하는 Genesis Mission 프로젝트인 SYNAPS-I도 지원하고 있다. ALCF 연구자들은 프로젝트 팀과 협력하여 Meta의 Segment Anything Model 3(SAM 3)와 DINOv3를 추론 서비스에 통합했으며, 이를 통해 DOE 전역의 연구팀이 이미지 분할 및 시각 분석에 해당 모델을 사용할 수 있게 되었다.

최근 아르곤에서 열린 SYNAPS-I 시연의 일환으로, 연구자들은 에이전트에게 마이크로전자 시료에서 두 영역 사이의 경계면을 찾아달라고 요청했다. 시스템은 시료를 스캔하고, SAM 3와 DINOv3를 사용해 이미지를 분석했으며, 요청된 영역을 찾을 때까지 이동했다. 이 작업은 추론 서비스를 통해 제공되는 모델이 에이전트, 실험 데이터, 과학 장비를 연결하는 자율 워크플로의 일부가 될 수 있음을 보여주었다.

보다 넓게 보면, 에이전트는 이러한 시스템에 대한 경험이 많지 않을 수 있는 분야 과학자들이 슈퍼컴퓨팅을 더 쉽게 접할 수 있도록 도울 수 있다. 예를 들어 연구자는 실험 데이터를 처리하는 데 필요한 단계를 자연어로 설명할 수 있고, 에이전트는 그 지침을 ALCF 컴퓨팅 자원에서 실행되도록 설계된 워크플로로 바꾸는 데 도움을 줄 수 있다.

동시에 첨단 모델은 배포와 운영에 상당한 컴퓨팅 자원을 필요로 하는 경우가 많아, 많은 개별 연구팀의 손이 닿지 않는 경우가 있다. ALCF는 추론을 공유 자원으로 제공함으로써, 더 많은 연구자가 그러한 역량을 대규모 과학 문제에 적용할 수 있도록 돕는 것을 목표로 하고 있다.

Vishwanath는 "기회는 추론을 시뮬레이션, 데이터 분석, 실험이 포함된 과학 워크플로의 보다 자연스러운 일부로 만드는 데 있다"고 말했다. "모델과 에이전트가 계속 발전함에 따라, 연구자들이 더 복잡한 문제를 다루고, 더 큰 규모로 작업하며, 아이디어에서 발견으로 더 빠르게 나아가는 데 도움이 될 것이다."

연구자들은 inference.alcf.anl.gov에서 ALCF 추론 서비스에 직접 접근할 수 있다. 이용 가능한 모델에 대해 더 알아보고 시작하는 방법은 ALCF 사용자 가이드를 참고하면 된다.