← 목록으로
컴퓨팅·임베디드
#플린분류#SIMD#MIMD#병렬처리#컴퓨터구조
최종 업데이트 · 2026-11-12

플린 분류(Flynn's Taxonomy)와 병렬 컴퓨팅 아키텍처

1. 개요

가. 정의

플린 분류(Flynn's Taxonomy) 는 컴퓨터 구조를 명령어 스트림(instruction stream)의 수와 데이터 스트림(data stream)의 수라는 두 축의 조합으로 분류하는 체계로, 1966년 Michael J. Flynn이 제시한 뒤 1972년 논문에서 정교화한 병렬 컴퓨팅 아키텍처의 가장 기본적인 분류 프레임워크이다. 두 축이 각각 '하나(Single)' 또는 '여럿(Multiple)'을 가질 수 있으므로 SISD·SIMD·MISD·MIMD의 네 범주가 도출되며, 오늘날의 멀티코어 CPU, 벡터 유닛, GPU, 슈퍼컴퓨터, 분산 클러스터를 설명하는 공통 어휘로 쓰인다.

병렬 컴퓨팅을 이야기할 때 가장 먼저 부딪히는 질문은 "무엇을 병렬로 처리하는가"이다. 어떤 기계는 같은 하나의 명령을 수많은 데이터에 한꺼번에 적용하고(예: 이미지 1,000만 픽셀에 동일한 밝기 보정), 어떤 기계는 서로 다른 명령을 각자 다른 데이터에 독립적으로 수행한다(예: 웹 서버가 여러 요청을 각기 다른 코드 경로로 처리). 플린은 이 차이를 '명령어 흐름이 하나냐 여럿이냐', '데이터 흐름이 하나냐 여럿이냐'라는 단순하지만 강력한 두 질문으로 추상화했다. 이 추상화 덕분에 전혀 다른 하드웨어도 같은 범주로 묶어 설계 원리를 비교할 수 있게 되었다.

플린 분류가 중요한 이유는 그것이 단순한 암기용 표가 아니라 병렬화 전략의 출발점이기 때문이다. 어떤 워크로드를 가속하려 할 때, 그 연산이 '데이터 병렬성(data parallelism)'을 갖는지 '태스크 병렬성(task parallelism)'을 갖는지에 따라 선택할 하드웨어(벡터/GPU vs 멀티코어/클러스터)와 프로그래밍 모델(SIMD 인트린식, CUDA, MPI, 스레드)이 완전히 달라진다. 기술사 관점에서 플린 분류는 암달·구스타프슨 법칙이 말하는 '얼마나 빨라지는가'에 앞서 '어떤 구조로 병렬화할 것인가'를 결정하는 아키텍처 의사결정의 1차 프레임이다.

나. 등장 배경과 필요성

1960년대 중반은 단일 프로세서의 성능을 높이려는 노력과 동시에 여러 처리 장치를 묶어 성능을 끌어올리려는 초기 병렬 컴퓨터(SOLOMON, ILLIAC IV 등 배열 프로세서)가 등장하던 시기였다. 그러나 당시에는 이질적인 기계들을 비교할 공통된 분류 언어가 없었다. Flynn은 프로세서 내부를 "명령을 가져와 해독하는 제어 흐름"과 "그 명령이 처리하는 데이터 흐름"으로 분리해 보는 관점을 제안함으로써, 벡터 기계든 다중 프로세서든 하나의 좌표계 위에 올려놓을 수 있게 했다.

이 분류의 필요성은 시대가 바뀔수록 오히려 커졌다. 무어의 법칙에 기댄 클럭 속도 향상이 2000년대 중반 전력·발열 벽(power wall)에 막히면서, 성능 향상의 축은 단일 코어 고속화에서 병렬성 확대로 완전히 이동했다. 멀티코어 CPU, AVX 같은 벡터 확장, 수천 개 연산 코어를 가진 GPU, 수만 노드의 슈퍼컴퓨터가 동시에 쏟아져 나오면서 "이 기계는 어떤 병렬성을 이용하는가"를 분류할 틀이 실무적으로 절실해졌다. 오늘날 거대 언어모델(LLM)을 수천 장의 GPU로 학습하거나, 실시간 추천 시스템을 멀티코어 서버 팜에서 돌리는 설계 결정의 밑바탕에는 모두 플린 분류적 사고가 깔려 있다. 즉 플린 분류는 60년 가까이 된 개념이면서도 AI·HPC 시대에 다시 가장 실용적인 틀이 되었다.

2. 분류 체계 — 두 축과 네 범주

플린 분류의 전체 구조는 아래와 같이 2×2 격자로 표현된다. 가로축은 데이터 스트림의 수, 세로축은 명령어 스트림의 수이며, 네 칸이 각각 하나의 아키텍처 범주에 대응한다.

flowchart TB
  ROOT["플린 분류<br/>(명령어 스트림 × 데이터 스트림)"]
  ROOT --> SISD["SISD<br/>단일 명령 · 단일 데이터"]
  ROOT --> SIMD["SIMD<br/>단일 명령 · 다중 데이터"]
  ROOT --> MISD["MISD<br/>다중 명령 · 단일 데이터"]
  ROOT --> MIMD["MIMD<br/>다중 명령 · 다중 데이터"]
  SISD --> SISDex["폰노이만 단일코어<br/>순차 실행"]
  SIMD --> SIMDex["벡터/배열 프로세서<br/>GPU·AVX"]
  MISD --> MISDex["결함허용 파이프라인<br/>희소 사례"]
  MIMD --> MIMDex["멀티코어·클러스터<br/>분산 시스템"]
  style SISD fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style SIMD fill:#e6f4ea,stroke:#188038,stroke-width:2px
  style MISD fill:#fce8e6,stroke:#d93025,stroke-width:2px
  style MIMD fill:#fef7e0,stroke:#f29900,stroke-width:2px

두 축을 조합한 네 범주의 핵심 성격을 먼저 표로 정리하면 다음과 같다. 다만 이 표는 비교의 뼈대일 뿐이며, 각 범주가 '왜 그런 구조를 갖는지'는 이어지는 문단에서 설명한다.

범주 명령어 스트림 데이터 스트림 대표 사례 이용하는 병렬성
SISD 1 1 전통적 단일코어 CPU 없음(명령어 수준 파이프라이닝은 가능)
SIMD 1 다수 벡터 유닛, GPU, DSP 데이터 병렬성
MISD 다수 1 결함허용 시스템(희소) (특수) 중복·검증 병렬성
MIMD 다수 다수 멀티코어, 클러스터, 분산 태스크·데이터 병렬성

가. SISD — 순차 실행의 원형

SISD(Single Instruction, Single Data)는 하나의 제어 장치가 한 번에 하나의 명령을 가져와, 그 명령이 하나의 데이터 항목을 처리하는 고전적 폰노이만 구조이다. 우리가 흔히 '순차 프로그램'이라 부르는 모델이 그대로 하드웨어로 구현된 형태로, 1970~1990년대의 단일코어 CPU가 전형이다. 병렬성이 없다는 뜻처럼 들리지만, 실제 SISD 프로세서 내부에서도 파이프라이닝·슈퍼스칼라·분기 예측 같은 명령어 수준 병렬성(ILP) 기법이 쓰인다. 다만 이는 '프로그래머에게는 하나의 순차 스트림으로 보이게 하면서' 내부에서 겹쳐 실행하는 것이므로, 플린 분류의 좌표상으로는 여전히 단일 명령·단일 데이터로 분류된다.

SISD를 이해하는 것은 나머지 세 범주를 이해하는 기준점이 된다. 왜냐하면 SIMD·MIMD는 모두 "SISD의 어떤 한계를 어떻게 넘어서는가"로 설명되기 때문이다. 예를 들어 1억 개의 실수를 더하는 작업을 SISD로 하면 1억 번의 덧셈을 순서대로 수행해야 한다. 데이터는 서로 독립적인데도 한 번에 하나씩만 처리하는 이 비효율이 바로 SIMD가 공략하는 지점이다. 한편 서로 다른 성격의 여러 작업(파일 입출력 + 네트워크 처리 + 계산)을 동시에 진행하고 싶을 때의 비효율은 MIMD가 공략한다. 이처럼 SISD는 '무엇이 부족한가'를 드러내는 출발점으로서 의미가 크다.

나. SIMD — 하나의 명령, 수많은 데이터

SIMD(Single Instruction, Multiple Data)는 하나의 명령을 다수의 데이터 요소에 동시에 적용하는 구조로, 데이터 병렬성을 직접적으로 활용한다. 같은 연산을 대량의 데이터에 반복 적용하는 작업 — 이미지·영상 필터, 행렬 연산, 신호 처리, 딥러닝의 텐서 연산 — 에서 압도적으로 효율적이다. 제어 장치는 하나이고 명령 해독도 한 번만 하므로, 제어 오버헤드를 분산기 수만큼 분산시켜 에너지 효율과 처리량을 크게 높인다.

SIMD의 핵심 원리는 "제어는 공유하고 데이터 경로만 늘린다"는 것이다. 예컨대 Intel의 AVX-512는 512비트 레지스터에 32비트 실수 16개를 담아 한 번의 명령으로 16개 곱셈을 동시에 수행한다. GPU는 이 아이디어를 극단으로 밀어붙여 수천 개의 연산 코어가 같은 커널 명령을 각자의 데이터에 적용한다. 아래 다이어그램은 SIMD의 내부 동작 — 하나의 제어 장치가 여러 처리 요소(PE)에 동일 명령을 방송(broadcast)하고, 각 PE는 서로 다른 데이터를 처리하는 구조 — 를 보여준다.

flowchart LR
  CU["제어 장치<br/>(명령 1개 해독)"]
  CU -->|동일 명령 방송| PE0
  CU -->|동일 명령 방송| PE1
  CU -->|동일 명령 방송| PE2
  CU -->|동일 명령 방송| PE3
  D0["데이터 0"] --> PE0["PE 0"]
  D1["데이터 1"] --> PE1["PE 1"]
  D2["데이터 2"] --> PE2["PE 2"]
  D3["데이터 3"] --> PE3["PE 3"]
  PE0 --> R["결과 벡터"]
  PE1 --> R
  PE2 --> R
  PE3 --> R
  style CU fill:#e6f4ea,stroke:#188038,stroke-width:2px
  style R fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px

SIMD의 가장 큰 약점은 조건 분기(divergence) 이다. 데이터마다 처리 경로가 달라지면(일부는 if, 일부는 else) 하나의 명령으로 모두를 처리할 수 없으므로, 양쪽 경로를 번갈아 실행하며 필요 없는 요소를 마스킹(masking)해야 해 효율이 떨어진다. 그래서 SIMD는 '분기가 적고 규칙적인 대량 연산'에 최적이며, 불규칙한 제어 흐름이 많은 작업에는 부적합하다. 이 한계를 완화하기 위해 현대 GPU는 뒤에서 설명할 SIMT 모델을 도입했다.

다. MISD — 다중 명령, 단일 데이터

MISD(Multiple Instruction, Single Data)는 여러 개의 서로 다른 명령이 동일한 하나의 데이터 스트림에 작용하는 구조로, 네 범주 중 실제 상용 사례가 가장 드물다. 같은 데이터를 여러 알고리즘이 각기 다르게 처리하는 모델이 실용적으로 유용한 경우가 많지 않기 때문이다. 그래서 많은 교재가 MISD를 '거의 존재하지 않는 범주'로 소개한다.

다만 MISD가 완전히 무의미한 것은 아니다. 결함 허용(fault tolerance) 이 극도로 중요한 시스템에서는 동일한 입력을 서로 다르게 설계된 여러 처리 장치가 독립적으로 계산하고 결과를 다수결로 비교하는 방식이 쓰이는데, 이를 MISD의 한 해석으로 본다. 대표적으로 항공기 비행 제어 컴퓨터는 서로 다른 팀이 독립 개발한 알고리즘을 같은 센서 데이터에 적용해 오류를 교차 검증한다. 또한 하나의 데이터가 여러 단계의 서로 다른 변환을 거치는 체계적 파이프라인(예: 통신 신호의 다단 복조)을 MISD적 관점으로 설명하기도 한다. 핵심은 MISD가 '성능'보다 '신뢰성·검증'을 위한 중복 구조라는 점이다.

라. MIMD — 다중 명령, 다중 데이터

MIMD(Multiple Instruction, Multiple Data)는 여러 제어 장치가 각자 독립적인 명령 스트림을 서로 다른 데이터에 수행하는 가장 일반적이고 유연한 병렬 구조이다. 오늘날의 멀티코어 CPU, 다중 소켓 서버, 슈퍼컴퓨터, 데이터센터 클러스터, 나아가 인터넷 규모 분산 시스템이 모두 MIMD에 속한다. 각 처리기가 서로 다른 프로그램을 돌릴 수 있으므로 태스크 병렬성과 데이터 병렬성을 모두 수용한다.

MIMD는 메모리 구조에 따라 크게 두 갈래로 나뉜다. 첫째, 모든 처리기가 하나의 주소 공간을 공유하는 공유 메모리(shared memory) 방식으로, 멀티코어 CPU와 SMP(대칭형 다중처리) 서버가 여기 해당한다. 프로그래밍이 상대적으로 쉽지만(스레드·OpenMP), 메모리 접근 경합과 캐시 일관성(cache coherence) 유지 비용이 확장의 발목을 잡으며, 코어 수가 늘면 접근 지연이 불균일해지는 NUMA 구조로 발전한다. 둘째, 각 노드가 독립된 메모리를 갖고 메시지로 통신하는 분산 메모리(distributed memory) 방식으로, 클러스터·슈퍼컴퓨터가 대표적이며 MPI 같은 메시지 패싱 모델로 프로그래밍한다. 노드를 수만 개까지 늘릴 수 있어 확장성은 뛰어나지만, 통신 지연과 데이터 분배 설계가 성능을 좌우한다. 아래 다이어그램은 MIMD의 두 메모리 모델을 대비한 것이다.

flowchart TB
  subgraph SHARED["공유 메모리 MIMD (SMP/NUMA)"]
    C0["코어 0"] --> MEM["공유 메모리"]
    C1["코어 1"] --> MEM
    C2["코어 2"] --> MEM
  end
  subgraph DIST["분산 메모리 MIMD (클러스터)"]
    N0["노드 0<br/>로컬 메모리"] <-->|메시지| NET["상호연결망"]
    N1["노드 1<br/>로컬 메모리"] <-->|메시지| NET
    N2["노드 2<br/>로컬 메모리"] <-->|메시지| NET
  end
  style MEM fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style NET fill:#fef7e0,stroke:#f29900,stroke-width:2px

실무에서 MIMD는 흔히 SPMD(Single Program, Multiple Data) 라는 프로그래밍 패턴으로 구현된다. 모든 노드가 같은 프로그램을 돌리되 자기 노드 번호에 따라 서로 다른 데이터 조각을 처리하는 방식으로, MPI 기반 HPC 코드와 분산 딥러닝 학습(데이터 병렬 학습)이 전형이다. SPMD는 "하드웨어는 MIMD, 작성은 단일 프로그램"이라는 절충으로 생산성과 확장성을 동시에 얻는다.

3. 현대적 확장 — SIMT와 이기종 구조

고전적 네 범주만으로는 현대 GPU를 깔끔히 담기 어렵다. Flynn 자신이 1972년 SIMD를 세분하며 '배열 프로세서(array processor)'를 구분했는데, 이 개념의 현대판이 바로 NVIDIA가 대중화한 SIMT(Single Instruction, Multiple Threads) 이다. SIMT는 겉으로는 각 스레드가 독립적인 것처럼 프로그래밍되지만(각 스레드가 자기 인덱스로 데이터를 접근), 내부적으로는 32개 스레드를 하나의 워프(warp)로 묶어 같은 명령을 동시에 실행한다는 점에서 SIMD의 변형이다.

SIMT가 순수 SIMD와 다른 핵심은 스레드 단위의 활성/비활성 제어이다. 워프 내 스레드가 조건 분기로 서로 다른 경로를 타면, 하드웨어가 각 경로를 순차적으로 실행하되 해당 경로에 속하지 않는 스레드를 비활성화(predication)한다. 덕분에 프로그래머는 분기가 있는 자연스러운 코드를 작성할 수 있고, 하드웨어가 발산(divergence)을 처리한다. 다만 발산이 심하면 성능이 급락하므로, GPU 커널 최적화의 핵심은 여전히 '워프 내 스레드가 같은 경로를 타도록' 데이터를 배치하는 것이다. 이처럼 GPU는 SIMD의 효율성과 MIMD의 유연성 사이 어딘가에 위치하며, 실제로 하나의 GPU는 다수의 SM(Streaming Multiprocessor)이 서로 다른 커널을 돌릴 수 있어 전체적으로는 MIMD적 성격도 띤다.

현대 프로세서는 사실상 여러 범주의 혼합체라는 점도 중요하다. 오늘날의 서버 CPU는 '여러 코어(MIMD) 각각이 벡터 유닛(SIMD)을 갖춘' 구조이며, AI 서버는 '멀티코어 CPU(MIMD) + 다수 GPU(SIMT/SIMD)'로 구성된 이기종(heterogeneous) 시스템이다. 즉 플린 분류는 순수한 단일 범주를 찾기 위한 틀이라기보다, 특정 연산을 어느 하위 구조에 매핑할지 판단하는 설계 렌즈로 쓰는 것이 현대적 용법이다.

4. 비교와 실제 적용 사례

네 범주는 '어떤 병렬성을 어떤 대가로 얻는가'에서 갈린다. SIMD/SIMT는 제어를 공유해 에너지·면적 효율이 높지만 분기가 많으면 무너지고, MIMD는 유연하지만 동기화·통신·일관성 비용을 치른다. 아래 표는 선택 기준을 실무 관점에서 정리한 것이다.

구분 SIMD/SIMT MIMD(공유 메모리) MIMD(분산 메모리)
적합 워크로드 규칙적 대량 데이터 연산 중간 규모 태스크 병렬 초대규모 확장
대표 하드웨어 GPU, AVX, DSP 멀티코어·SMP 서버 클러스터·슈퍼컴퓨터
프로그래밍 모델 CUDA, 인트린식, OpenCL 스레드, OpenMP MPI, 분산 프레임워크
확장 한계 요인 분기 발산, 메모리 대역폭 캐시 일관성, 경합 통신 지연, 부하 불균형
비용 특성 높은 처리량/와트 중간 통신·운영 비용 큼

첫째 사례로, 딥러닝 학습은 두 범주를 계층적으로 결합한다. 단일 GPU 내부의 행렬 곱은 SIMT로 처리되고(수천 코어가 같은 연산을 서로 다른 원소에 적용), 수백~수천 장의 GPU를 묶는 대규모 학습은 MIMD/SPMD로 조직된다(각 GPU가 데이터의 서로 다른 미니배치를 처리하고 그래디언트를 집계). 예컨대 수천억 파라미터 LLM 학습에서 단일 장비의 연산 효율은 SIMT 최적화가, 전체 확장성은 분산 통신(All-Reduce) 설계가 좌우한다. 둘째, 기상·유체 시뮬레이션 같은 전통 HPC는 분산 메모리 MIMD(SPMD + MPI)로 수만 코어에 격자를 분할해 푼다. 셋째, 멀티미디어·게임 렌더링과 영상 인코딩은 SIMD/SIMT가 픽셀·블록 단위 병렬성을 직접 활용하며, 스마트폰 AP의 DSP·NPU도 같은 원리다. 이처럼 실제 시스템은 단일 범주가 아니라 '어느 계층에서 어떤 병렬성을 쓰는가'의 조합으로 설계된다.

5. 심화 — AI·이기종 컴퓨팅 시대의 플린 분류

플린 분류는 60년 가까이 된 틀이지만, 역설적으로 AI 가속과 이기종 컴퓨팅이 보편화되면서 다시 실무의 중심 언어가 되었다. 최근 동향을 세 가지로 정리할 수 있다.

첫째, SIMD의 재부상과 세분화다. CPU 벡터 확장은 Intel AVX-512를 넘어 Arm의 SVE(Scalable Vector Extension)처럼 '벡터 길이를 하드웨어에 따라 가변'으로 두는 방향으로 진화하고 있다. 이는 동일 코드가 서로 다른 폭의 SIMD 하드웨어에서 돌아가게 하려는 시도로, SIMD 프로그래밍의 이식성 문제를 완화한다. GPU 쪽에서도 텐서 코어처럼 '행렬 곱 전용 SIMD 블록'이 추가되며 SIMD가 더 특수화·고밀도화되고 있다.

둘째, 이기종·도메인 특화 아키텍처(DSA)의 부상이다. CPU(MIMD) + GPU(SIMT) + NPU/TPU(행렬 특화 SIMD) + DPU(데이터 이동 특화)를 한 시스템에 결합하는 구조가 표준이 되면서, 설계자는 각 연산을 가장 적합한 범주의 유닛에 배치하는 '매핑 문제'를 풀게 되었다. 플린 분류는 이 매핑의 공통 언어로 기능한다 — 예컨대 "이 루프는 데이터 병렬이니 SIMD/GPU로, 저 제어 로직은 MIMD 코어로"라는 1차 판단이 그것이다.

셋째, 메모리·통신이 성능을 지배하는 전환이다. 연산 유닛이 아무리 많아도(SIMD/SIMT/MIMD) 데이터를 제때 공급하지 못하면 놀게 되므로(memory wall), 현대 아키텍처의 핵심 경쟁은 HBM 같은 고대역폭 메모리, 캐시 일관성 프로토콜, NVLink·고속 상호연결망으로 옮겨갔다. 이는 플린 분류가 '연산 스트림' 관점의 분류일 뿐, 실제 성능은 '데이터 공급' 설계가 좌우함을 보여준다. 즉 플린 분류는 시작점이지, 전부가 아니다. 암달·구스타프슨 법칙이 말하는 확장 한계, NUMA·상호연결망·캐시 일관성이 말하는 데이터 이동 비용과 반드시 함께 고려해야 한다.

6. 고려사항 및 시사점

플린 분류를 실제 아키텍처 의사결정에 적용할 때 기술사 관점에서 짚어야 할 점은 다음과 같다.

  • 병렬성 유형의 사전 진단이 우선이다. 워크로드가 데이터 병렬(규칙적·대량)인지 태스크 병렬(이질적·독립)인지를 먼저 판별해야 하드웨어(SIMD/GPU vs MIMD/클러스터)와 프로그래밍 모델이 결정된다. 잘못 분류하면 GPU에 분기 많은 로직을 올려 성능이 CPU보다 못한 역전이 생긴다. 분류는 투자 결정에 선행하는 단계다.

  • 순수 범주가 아니라 혼합·계층 설계가 현실이다. 실제 시스템은 'MIMD 노드 안의 SIMT GPU 안의 벡터 연산'처럼 범주가 중첩된다. 따라서 어느 한 범주만 최적화하지 말고, 각 계층(노드 간 분산, 노드 내 멀티코어, 장치 내 벡터)에서 병렬성을 중첩 활용하는 설계가 전체 성능을 좌우한다.

  • 연산 범주보다 데이터 이동이 병목이 되는 시대다. 메모리 대역폭·통신 지연·캐시 일관성 비용이 실제 확장성을 결정하므로, 플린 분류로 연산 구조를 잡은 뒤에는 암달·구스타프슨 법칙으로 확장 한계를, NUMA·상호연결망으로 데이터 공급을 함께 평가해야 한다. 연산기 수를 늘리는 투자보다 데이터 지역성(locality) 개선이 더 큰 효과를 내는 경우가 많다.

  • 이식성과 총소유비용(TCO)을 함께 본다. SIMD는 명령어 집합(AVX/SVE/NEON)에 종속적이고 GPU는 벤더 생태계(CUDA 등)에 묶이기 쉬워, 특정 범주에 과도하게 최적화하면 이식성과 교섭력이 떨어진다. 전력 효율(성능/와트)과 개발·운영 비용, 벤더 종속성까지 포함한 TCO 관점에서 아키텍처를 선택해야 한다.

  • 전망: AI·HPC 수렴과 DSA 확산. AI 가속기와 전통 HPC가 같은 하드웨어로 수렴하고 도메인 특화 가속기(NPU·TPU·DPU)가 늘어날수록, '연산을 어떤 병렬 구조에 매핑할 것인가'라는 플린 분류적 판단의 중요성은 커진다. 컴파일러·런타임이 이 매핑을 자동화하는 방향(예: 이기종 오프로딩)도 핵심 연구 주제다.

참고자료


한 줄 요약: 플린 분류는 명령어·데이터 스트림의 수로 컴퓨터 구조를 SISD·SIMD·MISD·MIMD로 나누는 병렬 컴퓨팅의 기본 프레임으로, 오늘날의 멀티코어 CPU·벡터 유닛·GPU(SIMT)·클러스터는 이 범주들을 계층적으로 중첩해 데이터 병렬성과 태스크 병렬성을 함께 활용하며, 연산 구조의 선택만큼이나 데이터 이동 설계가 실제 성능을 좌우한다.