AI・DeepLearningの活用が急速に進む中、弊社が何を思い、やっているのかをお伝えしています。株式会社IDCフロンティア様主催イベント『AI（人工知能）・DeepLearningの最前線 ( https://idcf.doorkeeper.jp/events/61063 )』での発表資料です。

1. © 2017 HPC Systems Inc. 1
HPCシステムズ株式会社 HPC事業部 技術グループ
渡邊 啓正
2017年 6月13日 (火)
HPCとAIをつなぐGPUクラウド

2. AIに取り組み始めている業界
• 自動運転
• Materials Informatics
• 自動車用部品・材料開発
• CAE
• 流体のパラメータ最適化
• オートメッシュ など
• 創薬
• 画像処理
• 生産工場のAI化
• 半導体工場
• スマートファクトリ
• ロボットの感情エンジン
© 2017 HPC Systems Inc. 2
自動運転
がん検診工場の不良原因推定

3. 国家PJがAIに注力
© 2017 HPC Systems Inc. 3
日本経済新聞 朝刊1面、2016/11/16版

4. Deep Learning をやってみよう
© 2017 HPC Systems Inc. 4
先人達の資料：
https://www.slideshare.net/KotaYamaguchi1/caffe-71288204
http://paiza.hatenablog.com/entry/2016/06/29/初心者でも今
すぐ機械学習・ディープラーニング

5. 難解な導入と各種設定を乗り越えて…
© 2017 HPC Systems Inc. 5
LinuxでのDLフレームワークの
ビルド・インストール
DNNモデルの作成、
各種閾値等の設定

6. 動いた！・・・でも、長いなぁ
• 実用的な学習精度を得るためには
数万個の訓練データが必要
• DNNが100以上の深さに
© 2017 HPC Systems Inc. 6
DLは もともと
計算ボリュームが膨大
（Peta～Exa FLOP級；
スパコンが視野の話）

7. 7© 2017 HPC Systems Inc.
大規模なDL計算、
DLを活用したコンピューティング
お客様の研究・開発ご業務：
そこに・・・HPC

8. GPUを使うと速いのは なぜ？
© 2017 HPC Systems Inc. 8
NVIDIA Tesla P100

9. CPUとGPU
CPU (Xeon E5-2699 v4) GPU (Tesla P100 NVLink) GPU/CPU
演算装置の特性 スカラー計算を
高い頻度で実行
ベクトル計算を
大量に実行
プログラミング方式 普通、無制限 CUDA、OpenACC等
必要な演算並列度 数十～数百 数千～数万
定格動作周波数 2.20 [GHz] 1.328 [GHz] x 0.6
コア数・CUDAコア数 22 3,584 x 162.9
半精度性能 N/A 21.2 [TFLOPS]
単精度性能 1.27 [TFLOPS] 10.6 [TFLOPS] x 8.37
倍精度性能 0.63 [TFLOPS] 5.3 [TFLOPS] x 8.36
消費電力 145 [W] 300 [W] x 2.07
単精度性能/W 8.74 [GFLOPS/W] 35.3 [GFLOPS/W] x 4.04
メモリ帯域 76.8 [GB/s] 732 [GB/s] x 9.53
© 2017 HPC Systems Inc. 9

10. DL性能測定結果 CPU vs. GPU
0
100
200
300
400
500
600
images/sec Caffe AlexNet学習性能
E5-2687W v3 (2CPU, Intel-build) Tesla K80 (2GPU, Caffe-nv)
x 3.6
© 2017 HPC Systems Inc. 10

11. DL性能測定結果 GPU同士
http://www.hpc.co.jp/benchmark20160610.html
0
50
100
150
200
250
300
350
400
450
images/sec
Caffe Googlenet学習性能 (batch size: 60)
Tesla K80 (2GPU) Tesla M40 (1GPU) Tesla P100 (1GPU)
© 2017 HPC Systems Inc. 11

12. DLにおけるGPUの利点
© 2017 HPC Systems Inc. 12

13. DL計算キャパシティ向上への壁
①分散学習環境の構築
• 多数マシンの一元管理
• 複数ユーザーの一元管理
• 大量通信に耐えうる太いLAN
• ネットワークファイル共有
• 並列計算の設定
⇒HPC業界で得意としている技術
© 2017 HPC Systems Inc. 13

14. DL計算キャパシティ向上への壁
②資源利用の最適化
• GPU使用を排他制御できること
• Dockerコンテナを自動配備できること
• DockerからCUDAでGPUを扱えることも必要
• 高度なジョブスケジューリング機能
• フェアシェア、バックフィル、事前予約、割り込み・・・
© 2017 HPC Systems Inc. 14
新しいジョブ
スケジューラの必要性
⇒

15. 15© 2017 HPC Systems Inc.
HPCがAIから受ける恩恵
大規模なAI・DL計算
賢 く させる

16. 16© 2017 HPC Systems Inc.
AI創薬の取組み
• 機械学習ソフトウェアや分子科学ソフトウェアの
システム設計・構築
• 化合物の合成予測システムの研究開発
（反応経路計算×機械学習）
• MDシミュレーションによるスクリーニングシステムの
研究開発（分子科学×機械学習）
化合物ライブラリ
リガンドベース
スクリーニング
ドッキングシミュレーション
MDシミュレーション
（神戸リサーチコンプレックス、ライフインテリジェンスコンソーシアム LINC）

17. HPC+GPUクラウド がフィット
 GPUが多いほど高速に
 データセンターで効率よく冷却
 HPC技術で高性能＆使いやすく
© 2017 HPC Systems Inc. 17
化合物ライブラリ
リガンドベース
スクリーニング
ドッキングシミュレーション
MDシミュレーション
AI創薬
• GPU対応した科学技術計算で
学習用データを大量に作りたい
• GPU対応のDLフレームワークで
高速に機械学習させたい

18. HPCとAIはビジネス加速の両輪
© 2017 HPC Systems Inc. 18