Bristol Myers Squibb, 8대 DGX Vera Rubin 기반 두 번째 NVIDIA DGX SuperPOD 배치로 생명과학 AI 인프라 확대

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Bristol Myers Squibb가 여덟 대의 DGX Vera Rubin NVL72 시스템으로 구성된 두 번째 NVIDIA DGX SuperPOD를 도입해 연구자 전원에게 통합 AI 플랫폼 접근권을 제공했다. 해당 클러스터는 NVIDIA Vera CPU와 Rubin GPU를 결합해 기존 인프라 대비 메가와트당 최대 10배 성능을 목표로 하며 NVIDIA BioNeMo Agent Toolkit을 통해 예측·학습·에이전트형 워크플로를 한 환경에서 수행하게 한다. BMS는 이전 SuperPOD 운용으로 타깃 식별에서 수주 단위의 수작업 절감과 CELMoD 화합물 라이브러리 확장을 경험했으며 Predict First 접근법으로 실험 자원을 효율화하고 있다. 이번 확장은 약물 발굴 사이클을 단축하고 탐색 가능한 화학공간을 넓히는 인프라 투자로 판단되며 제시된 수치는 내부 평가에 기반하므로 외부 검증이 필요하다.

섹션별 상세

Bristol Myers Squibb가 두 번째 NVIDIA DGX SuperPOD를 배치했으며 이 시스템은 여덟 대의 DGX Vera Rubin NVL72로 구성되어 있다. 각 시스템은 NVIDIA Vera CPU와 Rubin GPU를 결합해 기존 인프라 대비 메가와트당 최대 10배의 성능을 달성하도록 설계되었다. 이러한 하드웨어 조합은 대용량 모델 학습과 고밀도 추론에서 전력 효율성을 높여 대규모 실험을 짧은 시간 내에 반복 실행할 수 있게 한다.

새로 배치된 SuperPOD는 연구자 전원에게 개방형 액세스를 제공하는 방식으로 운영되어 개별 프로젝트에서 인프라를 차지하기 위해 기다릴 필요가 없게 된다. 이 통합 플랫폼은 NVIDIA BioNeMo Agent Toolkit을 포함해 예측 모델 실행, 모델 학습, 에이전트형 워크플로 오케스트레이션을 하나의 환경에서 수행하도록 구성되어 있다. 연구자들이 동일한 컴퓨팅과 소프트웨어 스택을 공유함으로써 데이터 이동과 환경 설정에 소요되는 시간이 줄고 과학적 반복 주기가 단축된다.

BMS는 이전에도 DGX SuperPOD를 약 3년간 운용해 왔고 AI 기반 타깃 식별은 수주에 걸친 수작업을 단축시키는 효과를 확인했다. AI를 통해 CELMoD 화합물 라이브러리를 확장하는 사례가 발생했으며 이는 새로운 타깃과 치료 후보 발굴로 이어졌다. 또한 'Predict First'라는 예측 중심의 접근법을 리드 최적화 단계에 적용해 설계 예측을 기반으로 실험 게이팅을 수행함으로써 실험 자원의 효율적 사용과 실패 확률 감소를 도모하고 있다.

이번 확장은 약물 발굴 사이클의 속도와 탐색 가능한 화학공간의 크기를 동시에 키우는 전략적 투자라는 점이 중요하다. 전력 대비 성능 개선은 대규모 시뮬레이션과 대규모 모델 학습을 더 잦은 반복으로 가능하게 하여 실험적 의사결정의 빈도를 높인다. 다만 기사에 제시된 수치와 도입 효과는 초기 운용 사례와 내부 평가에 기반하므로 외부 독립 검증 결과와의 비교가 추가로 필요하다.

용어 해설

DGX 슈퍼POD(DGX SuperPOD): — 여러 대의 DGX 시스템을 네트워크로 묶어 대규모 병렬 연산을 수행하도록 구성한 고성능 AI 클러스터로, 대형 모델 학습과 추론을 위한 통합 인프라와 스케줄링, 전력 관리 기능을 제공하여 제약·생명과학 실험 워크로드를 가속한다.
Vera CPU: — NVIDIA가 설계한 CPU 계열로, DGX Vera 기반 시스템에서 GPU와의 높은 대역폭 협업을 통해 데이터 전송 병목을 줄이고 대규모 병렬 연산에서 전력 대비 성능을 개선하는 역할을 한다.
Rubin GPU: — 대형 모델 학습과 고밀도 추론을 위해 최적화된 GPU 아키텍처로, DGX Vera 시스템에 통합되어 모델 병렬화와 높은 연산량을 효율적으로 처리해 전력 효율성과 처리량을 동시에 향상시킨다.
BioNeMo Agent Toolkit: — 생물학적 문제 해결을 위한 에이전트 기반 툴킷으로, 예측 모델과 워크플로 오케스트레이션을 결합해 단백질 구조 예측·합성 경로 설계·실험 계획 수립 등 약물발견 파이프라인의 자동화와 반복을 지원한다.
CELMoD 화합물(CELMoD compounds): — 특정 단백질을 선택적으로 분해하도록 설계된 소분자 군으로, 암 관련 단백질 표적을 제거하는 기전 때문에 혈액암 등 질환 치료 후보 물질로 연구되며 AI로 설계·확장된 라이브러리가 새로운 타깃을 열어준다.

기술

DGX SuperPOD
Vera CPU
Rubin GPU
NVIDIA BioNeMo Agent Toolkit

활용 사례

타깃 식별을 위한 예측 모델 실행
CELMoD 화합물 라이브러리 확장과 신약 후보 발굴
리드 최적화 단계에서의 Predict First 기반 실험 게이팅