노트북 GPU로 175B LLM 돌려 20만건 신약 스크리닝
최근 30일 조회수 — 좋아요 —핵심 요약
프리프린트 연구가 소비자용 노트북 한 대로 대형 LLM 기반 단백질-리간드 결합 예측을 수행했다고 주장했으나 방법론 검증은 미확인 상태다.
한 소비자용 노트북 GPU만으로 1750억 파라미터급 대형언어모델을 구동해 20만 건 규모의 단백질-리간드 결합 예측을 수행했다는 연구가 아카이브(arXiv)에 공개됐다. 연구진은 8GB 그래픽메모리(VRAM)와 32GB 시스템 메모리를 갖춘 RTX 4060 노트북 한 대에 DeepSeek 175B 모델을 로컬로 배포해, 20개 단백질 표적을 대상으로 총 20만 건 규모의 가상 스크리닝(virtual screening) 파이프라인을 완주했다고 밝혔다.1
논문에 따르면 이 시스템은 동일한 작업 조건에서 A100 8장으로 구성된 GPU 클러스터 기준선 대비 72시간 이내 100배의 처리량을 기록했다. 결합 친화도(binding affinity) 예측의 평균 오차는 표적 전체에서 0.88kcal/mol로, 전임상 신약 개발에서 요구되는 화학적 정확도 기준인 1.0kcal/mol 이내에 들었다. 연구진이 실행 과정을 분석한 결과, 전체 실행 시간의 72%는 GPU와 CPU를 오가는 이기종 메모리 관리(heterogeneous memory management) 오버헤드가 차지했고, 모델 경량화로 인한 정확도 손실은 전체 예측 오차의 10% 미만에 그쳤다. 연구진은 이를 근거로 산업 규모의 조 단위 파라미터급 LLM 기반 생의학 연산을 소비자용 하드웨어에서도 실행할 수 있다는 공학적 가능성을 검증했다고 주장하며, 이를 초기 단계 신약 개발의 진입 장벽을 낮추는 새로운 방식으로 제시했다. 다만 이번 실험에 실제 사용된 모델은 1750억(175B) 파라미터로, 조 단위(trillion) 파라미터급이 아니라는 점에서 연구진의 이 결론은 실험 결과를 넘어선 일반화로 읽힌다.1
다만 이 결과는 동료 심사를 거치지 않은 프리프린트 단계 논문 한 건에서 나온 주장이라는 점을 짚어야 한다. 초록에는 8GB VRAM에 175B 파라미터 모델을 어떤 양자화나 오프로딩 기법으로 적재했는지, 어떤 벤치마크 데이터셋과 단백질 표적을 사용했는지에 대한 구체적 방법론이 드러나 있지 않다. 또한 메모리 관리 오버헤드가 전체 실행 시간의 72%를 차지한다는 결과와, 그럼에도 8장짜리 A100 클러스터보다 100배 빠르다는 주장이 어떻게 동시에 성립하는지도 초록만으로는 설명되지 않는다. 이런 이유로 이번 결과는 독립적인 재현이나 추가 검증 전까지는 잠정적인 것으로 봐야 한다.
Footnotes
읽기 목록은 이 브라우저에 저장됩니다.
출처
- Deploying DeepSeek 175B Locally on a Single Consumer-Grade RTX 4060 Laptop with 32GB RAM for 200k-Scale Protein-Ligand Virtual Screening — arXiv (cs.AI/cs.CL/cs.LG)
이 글은 위 출처를 근거로 자동 생성된 뒤 발행됐습니다. 원문을 함께 확인해 주세요. 교차 보도 없이 단독 출처로 작성됐습니다.