NVIDIA DGX Spark Developer Kit Turns a Desk Into a Supercomputing Lab
Quick Summary
NVIDIA가 시카고 SC26에서 공개한 DGX Spark HPC Developer Kit는 책상 위에서 과학 시뮬레이션을 개발·검증하고, 4개 노드에 NVFP4로 최대 700B 매개변수 모델을 배포할 수 있는 연구용 클러스터다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
NVIDIA가 시카고 SC26에서 공개한 DGX Spark HPC Developer Kit는 책상 위에서 과학 시뮬레이션을 개발·검증하고, 4개 노드에 NVFP4로 최대 700B 매개변수 모델을 배포할 수 있는 연구용 클러스터다.
📌 핵심 요약
- GB10 Grace Blackwell Superchip을 탑재한 DGX Spark는 1개 노드에서 4개 노드까지 확장할 수 있다. 4개 노드는 NVIDIA ConnectX-7으로 이웃한 두 노드와 각각 직접 연결돼 별도 네트워크 스위치가 필요 없다.
- 4개 노드의 합산 메모리는 512GB, NVMe 저장공간은 20TB다. NVIDIA는 NVFP4를 사용하면 최대 700B 매개변수 모델을 로컬에 분산 배포할 수 있다며 DeepSeek V4.1을 예로 들었다.
- 4개 노드에서 Kokkos를 적용한 LAMMPS로 재료 시뮬레이션을, NAMD로 분자 동역학 시뮬레이션을 시연했다. GROMACS, OpenFOAM, WRF 등은 DGX Spark 커뮤니티가 별도로 검증했다.
- UC 버클리 IGI의 Rubin Lab은 11시간의 클러스터 대기를 피하면서 결과를 15배 빨리 얻었다고 NVIDIA는 전했다. 같은 대학의 Hartwig Group은 DGX Spark 한 대에서 120B급 모델을 미세 조정하며 8~24시간짜리 학습을 연이어 실행했다.
- 발표 시점에 키트는 SC26에서 전시 중이었고 구매할 수 있었다. 다중 노드 과학 컴퓨팅을 위한 NVIDIA HPC SDK 설치·실행 안내서는 추후 공개 예정이다.
🧩 주요 포인트
- 공유 GPU 클러스터의 할당 시간이 제한된 팀은 개발과 디버깅을 DGX Spark에서 수행해 본 실행에 쓸 서버 시간을 확보하고 미공개 결과와 독점 데이터를 기관 내에 보관할 수 있다.
- 개 노드는 대형 모델을 나눠 올릴 공간이자, 더 큰 시스템으로 확장하기 전에 과학 애플리케이션의 연산·데이터 분배와 노드 간 통신을 점검할 환경이다.
- Rubin Lab의 15배라는 수치는 클러스터 대기를 피한 뒤 결과를 얻기까지의 시간에 관한 것이다. Hartwig Group 사례에서도 로컬 장비의 이점은 다음 학습을 바로 시작할 수 있다는 데 있었다.
🧠 상세 정리
1. 책상 위에 구성하는 4개 노드 클러스터
NVIDIA는 시카고에서 열린 연례 슈퍼컴퓨팅 학회 SC26에서 연구자와 교육자, 개발자를 위한 DGX Spark HPC Developer Kit를 공개했다. 기본 단위는 GB10 Grace Blackwell Superchip을 탑재한 DGX Spark 한 대이며, 한 대에서 시작해 네 대까지 연결할 수 있다. 네 대를 구성하면 각 노드가 NVIDIA ConnectX-7을 통해 양옆 노드와 직접 연결돼 고리를 이루므로 별도 스위치를 구입하거나 설정할 필요가 없다. 연구팀은 공유 GPU 클러스터의 차례를 기다리는 동안에도 자기 책상에서 다중 노드 과학 연산을 시험하고 AI 모델과 에이전트를 실행할 수 있다.
2. 메모리 512GB의 활용과 공유 서버 시간 절약
DGX Spark 네 대의 메모리를 합하면 512GB이고 NVMe 저장공간은 총 20TB다. 연구팀은 이 용량을 활용해 모델과 과학 연산을 여러 노드에 나눠 배치할 수 있다. NVIDIA는 NVFP4를 적용하면 네 대에 걸쳐 최대 700B 매개변수 모델을 로컬에 배포할 수 있다고 설명하며 DeepSeek V4.1을 예로 들었다. 서버 할당 시간이 정해진 팀은 개발과 오류 수정은 자체 장비에서 반복하고 공유 서버 시간은 본 실행에 쓸 수 있다. 미공개 연구 결과와 독점 데이터가 담긴 작업도 기관이 직접 관리하는 인프라 안에서 수행할 수 있다.
3. 과학 소프트웨어의 시연과 커뮤니티 검증
NVIDIA가 예고한 HPC SDK 설치 안내서는 GPU 가속 C, C++, Fortran 컴파일러와 라이브러리, 메시지 전달 인터페이스 도구를 DGX Spark에서 사용하는 방법을 다룬다. 연구팀은 대형 시스템으로 옮기기 전에 네 노드에서 연산과 데이터가 어떻게 분배되는지 확인하고 통신 오류를 분석할 수 있다. 네 대를 사용한 시연에는 Kokkos를 적용한 LAMMPS 재료 시뮬레이션과 NAMD 분자 동역학 시뮬레이션이 포함됐다. DGX Spark 커뮤니티는 분자 동역학용 GROMACS, 유체 역학용 OpenFOAM, 기상 모델링용 WRF와 생체분자 구조 예측용 NVIDIA NIM 마이크로서비스인 OpenFold3와 Boltz-2도 검증했다.
4. 시뮬레이션을 보조하는 AI와 연구자의 검증
NVIDIA는 에이전트가 시뮬레이션 입력을 준비하고 실행과 결과 요약을 맡으며, 과학자가 설정과 결론을 검증하는 활용 방식을 제시했다. 계산 시간이 긴 시뮬레이션을 근사하는 AI 모델을 학습시켜 항력이 작은 날개 설계를 탐색하는 것도 그 예다. 슈퍼컴퓨터 시간을 배정하기 전에 1,000만 개 셀로 구성된 시뮬레이션에서 중요한 차원을 50~500개로 좁히는 방안도 소개했다. 생명과학과 화학 분야에서는 Nemotron 3.5 Super VL용 공개 데이터셋과 후속 학습 방법을 활용해 조직이 관리하는 장비에서 모델을 연구 목적에 맞게 조정할 수 있다고 설명했다.
5. 단일 장비를 활용한 연구와 대기 시간 단축
Kvantify는 NVIDIA cuQuantum과 DGX Spark 한 대로 페니실린 바닥상태 에너지 계산용 양자화학 회로를 벤치마크했으며, 최대 70큐비트와 975개 게이트의 텐서 네트워크 시뮬레이션을 실행했다고 보고했다. IIT 델리에서 분사한 CYRAN AI는 PixelFlux로 대형 위성 영상의 JPEG 2000 디코딩을 가속했고, OpenFold는 신약 연구를 위한 단백질·리간드 구조 예측에 OpenFold3 미세 조정을 활용하는 사례를 제시했다. NVIDIA에 따르면 UC 버클리 IGI의 Rubin Lab은 NVIDIA Evo 2를 활용한 세균 특성 예측 연구에서 11시간의 클러스터 대기를 피하면서 결과를 15배 빨리 얻었다. 같은 대학의 Hartwig Group은 NVFP4로 Nemotron 3 Super 120B-A12B를 한 대에 올려 화학 연구용 LoRA 미세 조정을 수행했다. 이 연구팀은 며칠씩 걸리던 클러스터 대기 없이 8~24시간짜리 학습을 연이어 실행했다.
6. 키트 판매와 NVIDIA HPC SDK 안내서 공개 일정
발표 시점에 개발 키트는 SC26에 전시됐으며, DGX Spark 제품과 연결 케이블은 OEM 파트너와 NVIDIA Marketplace를 통해 구매할 수 있었다. NVIDIA가 밝힌 파트너는 Acer, ASUS, Dell Technologies, GIGABYTE, H3C, HP, Lenovo, MSI, xFusion이다. NVIDIA HPC SDK를 구축하고 실행하는 안내서는 추후 공개할 예정이라고 밝혔다. 안내서가 공개되면 연구자는 데이터센터 시스템으로 확장하기 전에 로컬에서 다중 노드 GPU 애플리케이션을 개발하고, FP32 및 혼합 정밀도 알고리즘을 탐색하며, Kokkos를 적용한 LAMMPS로 분자 동역학과 재료 시뮬레이션을 실행하는 데 활용할 수 있다.
🧾 핵심 주장 / 시사점
- 로컬 장비는 개발과 디버깅을 반복할 때마다 발생하는 대기를 줄인다. 공유 GPU 클러스터 할당량이 고정된 연구팀에는 본 실행에 쓸 시간을 확보하는 효과도 있다.
- 최대 700B 모델 배포는 NVFP4를 적용한 4개 노드 전체에 대한 NVIDIA의 설명이다. Hartwig Group이 120B급 모델을 미세 조정한 사례는 한 대에서 수행한 별도 작업이다.
- 소프트웨어별로 확인된 범위가 다르다. NVIDIA가 4개 노드에서 시연한 것은 LAMMPS와 NAMD이며, GROMACS·OpenFOAM·WRF는 커뮤니티 검증 사례로 소개됐다.
✅ 액션 아이템
- 공유 GPU 클러스터 할당 시간 중 DGX Spark로 옮길 수 있는 개발·디버깅 작업을 구분한다.
- 최대 700B 매개변수 모델의 로컬 배포 가능성을 검토할 때 NVFP4 사용과 4개 노드의 합산 메모리 512GB를 함께 고려한다.
- 더 큰 시스템으로 확장하기 전에 4개 노드에서 과학 애플리케이션의 연산·데이터 분배와 노드 간 통신을 점검한다.
❓ 열린 질문
- NVFP4로 4개 노드에 DeepSeek V4.1을 분산 배포했을 때 실제 실행 성능은 어느 정도인가?
- Rubin Lab이 결과를 15배 빨리 얻은 사례에서 11시간의 클러스터 대기가 사라진 효과와 계산 자체에 걸린 시간은 각각 어느 정도였는가?
- 다중 노드 과학 컴퓨팅을 위한 NVIDIA HPC SDK 설치·실행 안내서는 언제 공개되는가?