[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,93 +2,231 @@
|
||||
id: wiki-2026-0508-webgpu-compute-shaders
|
||||
title: WebGPU Compute Shaders
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-1903E0]
|
||||
aliases: [WebGPU Compute, WGSL Compute, WebGPU Compute Shader]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced]
|
||||
verification_status: applied
|
||||
tags: [webgpu, compute, gpgpu, wgsl]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - [[WebGPU|WebGPU]] [[Compute Shader|Compute Shader]]s"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: WGSL/JavaScript
|
||||
framework: WebGPU
|
||||
---
|
||||
|
||||
# [[WebGPU Compute Shaders|WebGPU Compute Shaders]]
|
||||
# WebGPU Compute Shaders
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> [[WebGPU Compute Shader|WebGPU Compute Shader]]는 [[JavaScript|JavaScript]]의 메인 스레드에서 수행되던 무거운 범용 연산을 수많은 GPU 코어를 활용해 병렬로 처리할 수 있게 해주는 기능입니다 [1]. CPU 기반 연산의 병목 현상을 해소하여 수백만 개의 파티클이나 대규모 복잡한 시뮬레이션을 실시간으로 처리할 수 있도록 돕습니다 [2, 3]. Three.js와 같은 라이브러리를 통해 접근성이 크게 향상되었으며, 대규모 데이터 필터링, 물리 시뮬레이션, GPU 주도 렌더링 등 고성능이 요구되는 작업에 필수적으로 사용됩니다 [1, 4].
|
||||
## 매 한 줄
|
||||
> **"매 GPGPU 의 web — 매 finally"**. WebGPU compute shader 매 WGSL 의 modern Vulkan/Metal-style API 의 GPU 의 general compute. 2026 매 ML inference (ONNX Runtime Web, transformers.js GPU backend) / physics / image processing 의 standard.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **성능 향상 및 병목 해소:** 기존 CPU 기반의 업데이트는 약 50,000개의 파티클에서 병목 현상이 발생했으나, WebGPU 컴퓨트 셰이더를 사용하면 이를 수백만 개 단위로 확장할 수 있습니다 [2]. 실제로 CPU에서 프레임당 30ms가 걸리던 10,000개의 파티클 업데이트 작업을 컴퓨트 셰이더를 통해 100,000개의 파티클을 2ms 이내에 처리하는 수준(약 150배 향상)으로 대폭 개선할 수 있습니다 [3].
|
||||
* **주요 활용 사례:** 컴퓨트 셰이더는 충돌 감지, 대규모 데이터 필터링, 실시간 조명, 물리 연산 등 병렬 처리가 필요한 작업에 매우 적합합니다 [1, 4-6]. 또한 실시간 편집과 거대한 규모를 지원하는 절차적 지형 생성(Procedural terrain generation)에도 사용됩니다 [6]. 애니메이션 시퀀스를 위한 '컴퓨트 스키닝(Compute skinning)' 기법에도 활용되어, 컴퓨트 단계에서 메쉬 정점 변환을 계산해 버퍼에 저장하고 렌더링 패스에서 재사용함으로써 중복 계산을 없앨 수 있습니다 [3].
|
||||
* **스토리지 텍스처([[Storage|Storage]] Textures) 활용:** 일반 텍스처와 달리 컴퓨트 셰이더에서 읽기와 쓰기가 모두 가능하며, 유체 시뮬레이션, 이미지 처리, GPU 주도 렌더링과 같은 효과를 구현하는 데 필수적입니다 [5, 7].
|
||||
* **메모리 및 동기화 관리:** 스레드 간 데이터 공유가 필요한 컴퓨트 셰이더의 경우, 전역 메모리보다 10~100배 빠른 작업 그룹 공유 메모리(Workgroup shared [[memory|memory]])를 활용할 수 있습니다 [6, 8]. 연산이 포함된 씬을 렌더링할 때는 `renderAsync`(또는 `renderer.computeAsync`)를 사용하여 GPU 작업을 동기화하고, 종속된 렌더 패스가 시작되기 전에 컴퓨트 패스가 완료되도록 보장해야 합니다 [9, 10].
|
||||
* **간접 그리기([[Indirect Draw|Indirect Draw]]s)와의 결합:** 컴퓨트 셰이더의 연산 결과를 바탕으로 GPU가 스스로 무엇을 렌더링할지 결정하게 하는 간접 그리기 기능을 활용할 수 있습니다 [8]. 이를 통해 CPU-GPU 간의 동기화 지연을 제거하고 초당 프레임 수준의 GPU 기반 컬링(Culling)을 효율적으로 수행할 수 있습니다 [8, 11, 12].
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** Graphics & Performance 분야의 자동 자산화 수행.
|
||||
### 매 vs WebGL
|
||||
- **Compute shader**: WebGL X / WebGPU O — 매 game changer.
|
||||
- **WGSL**: 매 statically typed, Rust-inspired — GLSL 보다 modern.
|
||||
- **Bind groups**: explicit resource binding — 매 Vulkan-like.
|
||||
- **Async pipeline**: command encoder + submit — 매 lower CPU overhead.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** Storage Textures, Indirect Draws, [[TSL (Three Shader Language)|TSL (Three Shader Language]], Compute Skinning
|
||||
- **Projects/Contexts:** Three.js r171+ (WebGPURenderer 도입 및 TSL 통합으로 컴퓨트 셰이더 지원 [13-17]), BIM Datasets (대규모 데이터 필터링 및 병렬 처리 적용 맥락 [3]), [[Expo 2025 Osaka|Expo 2025 Osaka]] (100만 개 파티클 유체 시뮬레이션 적용 사례 [18, 19])
|
||||
- **Contradictions/Notes:** [[WebGL|WebGL]]이나 [[WebGL2|WebGL2]] 환경에서는 컴퓨트 셰이더가 지원되지 않으며 WebGPU 환경에서만 동작합니다 [20]. Three.js의 TSL과 렌더러를 사용하면 비교적 쉽게 컴퓨트 셰이더를 구현할 수 있지만, 네이티브 WebGPU를 사용할 경우 더 세밀한 직접 제어 및 다중 패스 물리 연산 등이 가능한 대신 그래픽스 파이프라인에 대한 매우 높은 기술적 숙련도가 요구된다는 트레이드오프가 존재합니다 [1, 4, 10].
|
||||
### 매 workgroup
|
||||
- **`@workgroup_size(x, y, z)`**: thread block — typically 64 / 128 / 256 threads.
|
||||
- **Dispatch**: `dispatchWorkgroups(gx, gy, gz)` — total threads = workgroup * dispatch.
|
||||
- **Shared memory**: `var<workgroup>` — 매 fast on-chip.
|
||||
- **Synchronization**: `workgroupBarrier()` — 매 within workgroup.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
### 매 응용
|
||||
1. **ML inference**: matrix multiply / attention — transformers.js / ONNX Runtime Web.
|
||||
2. **Image processing**: blur / upscale (FSR-style) / segmentation.
|
||||
3. **Physics**: cloth / particles / fluid sim.
|
||||
4. **Sort / scan / reduce**: parallel primitives.
|
||||
|
||||
---
|
||||
## 💻 패턴
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### Init device + buffer
|
||||
```js
|
||||
const adapter = await navigator.gpu.requestAdapter();
|
||||
const device = await adapter.requestDevice();
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
const input = new Float32Array(1024).fill(1);
|
||||
const inBuf = device.createBuffer({
|
||||
size: input.byteLength,
|
||||
usage: GPUBufferUsage.STORAGE | GPUBufferUsage.COPY_DST,
|
||||
});
|
||||
device.queue.writeBuffer(inBuf, 0, input);
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
const outBuf = device.createBuffer({
|
||||
size: input.byteLength,
|
||||
usage: GPUBufferUsage.STORAGE | GPUBufferUsage.COPY_SRC,
|
||||
});
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
const readBuf = device.createBuffer({
|
||||
size: input.byteLength,
|
||||
usage: GPUBufferUsage.MAP_READ | GPUBufferUsage.COPY_DST,
|
||||
});
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Compute shader 매 element-wise
|
||||
```js
|
||||
const module = device.createShaderModule({
|
||||
code: `
|
||||
@group(0) @binding(0) var<storage, read> input: array<f32>;
|
||||
@group(0) @binding(1) var<storage, read_write> output: array<f32>;
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
@compute @workgroup_size(64)
|
||||
fn main(@builtin(global_invocation_id) gid: vec3<u32>) {
|
||||
let i = gid.x;
|
||||
if (i >= arrayLength(&input)) { return; }
|
||||
output[i] = input[i] * 2.0 + 1.0;
|
||||
}
|
||||
`,
|
||||
});
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
const pipeline = device.createComputePipeline({
|
||||
layout: 'auto',
|
||||
compute: { module, entryPoint: 'main' },
|
||||
});
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
const bindGroup = device.createBindGroup({
|
||||
layout: pipeline.getBindGroupLayout(0),
|
||||
entries: [
|
||||
{ binding: 0, resource: { buffer: inBuf } },
|
||||
{ binding: 1, resource: { buffer: outBuf } },
|
||||
],
|
||||
});
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
const enc = device.createCommandEncoder();
|
||||
const pass = enc.beginComputePass();
|
||||
pass.setPipeline(pipeline);
|
||||
pass.setBindGroup(0, bindGroup);
|
||||
pass.dispatchWorkgroups(Math.ceil(1024 / 64));
|
||||
pass.end();
|
||||
enc.copyBufferToBuffer(outBuf, 0, readBuf, 0, input.byteLength);
|
||||
device.queue.submit([enc.finish()]);
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
await readBuf.mapAsync(GPUMapMode.READ);
|
||||
const result = new Float32Array(readBuf.getMappedRange().slice(0));
|
||||
readBuf.unmap();
|
||||
```
|
||||
|
||||
### Matmul 매 tiled (workgroup shared)
|
||||
```wgsl
|
||||
const TILE = 16u;
|
||||
@group(0) @binding(0) var<storage, read> A: array<f32>;
|
||||
@group(0) @binding(1) var<storage, read> B: array<f32>;
|
||||
@group(0) @binding(2) var<storage, read_write> C: array<f32>;
|
||||
@group(0) @binding(3) var<uniform> dims: vec3<u32>; // M, N, K
|
||||
|
||||
var<workgroup> Asub: array<array<f32, 16>, 16>;
|
||||
var<workgroup> Bsub: array<array<f32, 16>, 16>;
|
||||
|
||||
@compute @workgroup_size(16, 16)
|
||||
fn matmul(@builtin(global_invocation_id) gid: vec3<u32>,
|
||||
@builtin(local_invocation_id) lid: vec3<u32>) {
|
||||
let row = gid.y; let col = gid.x;
|
||||
var sum = 0.0;
|
||||
let tiles = (dims.z + TILE - 1u) / TILE;
|
||||
for (var t = 0u; t < tiles; t++) {
|
||||
Asub[lid.y][lid.x] = A[row * dims.z + t * TILE + lid.x];
|
||||
Bsub[lid.y][lid.x] = B[(t * TILE + lid.y) * dims.x + col];
|
||||
workgroupBarrier();
|
||||
for (var k = 0u; k < TILE; k++) { sum += Asub[lid.y][k] * Bsub[k][lid.x]; }
|
||||
workgroupBarrier();
|
||||
}
|
||||
C[row * dims.x + col] = sum;
|
||||
}
|
||||
```
|
||||
|
||||
### Reduction (parallel sum)
|
||||
```wgsl
|
||||
var<workgroup> shared_data: array<f32, 256>;
|
||||
|
||||
@compute @workgroup_size(256)
|
||||
fn reduce(@builtin(local_invocation_id) lid: vec3<u32>,
|
||||
@builtin(workgroup_id) wid: vec3<u32>) {
|
||||
let tid = lid.x;
|
||||
let i = wid.x * 256u + tid;
|
||||
shared_data[tid] = select(0.0, input[i], i < arrayLength(&input));
|
||||
workgroupBarrier();
|
||||
|
||||
var s = 128u;
|
||||
loop {
|
||||
if (s == 0u) { break; }
|
||||
if (tid < s) { shared_data[tid] += shared_data[tid + s]; }
|
||||
workgroupBarrier();
|
||||
s = s / 2u;
|
||||
}
|
||||
if (tid == 0u) { partial[wid.x] = shared_data[0]; }
|
||||
}
|
||||
```
|
||||
|
||||
### Image processing — texture in, texture out
|
||||
```wgsl
|
||||
@group(0) @binding(0) var inputTex: texture_2d<f32>;
|
||||
@group(0) @binding(1) var outputTex: texture_storage_2d<rgba8unorm, write>;
|
||||
|
||||
@compute @workgroup_size(8, 8)
|
||||
fn blur(@builtin(global_invocation_id) gid: vec3<u32>) {
|
||||
let dims = textureDimensions(inputTex);
|
||||
if (gid.x >= dims.x || gid.y >= dims.y) { return; }
|
||||
var sum = vec4<f32>(0.0);
|
||||
for (var dy = -1; dy <= 1; dy++) {
|
||||
for (var dx = -1; dx <= 1; dx++) {
|
||||
sum += textureLoad(inputTex, vec2<i32>(gid.xy) + vec2(dx, dy), 0);
|
||||
}
|
||||
}
|
||||
textureStore(outputTex, vec2<i32>(gid.xy), sum / 9.0);
|
||||
}
|
||||
```
|
||||
|
||||
### transformers.js GPU 매 inference
|
||||
```js
|
||||
import { pipeline, env } from '@xenova/transformers';
|
||||
env.backends.onnx.wasm.simd = true;
|
||||
const generator = await pipeline('text-generation', 'Xenova/Llama-3.2-1B', {
|
||||
device: 'webgpu', // 매 WebGPU compute backend
|
||||
dtype: 'q4',
|
||||
});
|
||||
const out = await generator('Hello', { max_new_tokens: 50 });
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| ML inference in browser | WebGPU compute (transformers.js / ORT-Web) |
|
||||
| Particle / cloth sim | Compute shader |
|
||||
| Image filter | Compute or fragment shader (compute 매 cleaner) |
|
||||
| Sort / scan | Compute (no fragment hack) |
|
||||
| Wide compatibility | WebGL fallback (no compute) |
|
||||
| Mobile | WebGPU 매 iOS 18+ / Android Chrome 121+ |
|
||||
|
||||
**기본값**: WebGPU compute + WGSL + tiled algorithms + transformers.js for ML.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[WebGPU]] · [[GPGPU]]
|
||||
- 변형: [[CUDA]] · [[Metal Compute]] · [[Vulkan Compute]]
|
||||
- 응용: [[transformers.js]] · [[ONNX Runtime Web]] · [[Threejs WebGPURenderer]]
|
||||
- Adjacent: [[WGSL]] · [[Web Worker (웹 워커)]] · [[WebAssembly]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: GPU compute in browser — ML / physics / image / parallel reduce-scan.
|
||||
**언제 X**: trivial work — JS / Worker 매 충분 / CPU / Safari iOS <18 — WebGPU 의 unavailable.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Tiny dispatch**: <1024 threads 매 launch overhead 의 net loss.
|
||||
- **No barrier on shared memory**: race condition — `workgroupBarrier()` 의 between read/write.
|
||||
- **`mapAsync` per frame**: GPU↔CPU sync 매 stall — pipeline + double-buffer.
|
||||
- **Workgroup size 32**: 매 너무 small — 64-256 의 사용 (warp/wave occupancy).
|
||||
- **No bounds check**: out-of-range invocation 매 garbage write.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (W3C WebGPU spec / WGSL spec / transformers.js docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — workgroup, tiled matmul, reduction, image, transformers.js |
|
||||
|
||||
Reference in New Issue
Block a user