深層学習の新しい応用と、
それを支える計算機の進化
Preferred Networks
代表取締役 最高経営責任者 西川 徹

進む深層学習の産業応用

安定・最適制御
故障予知
× ×

創作活動 外観検査
Preferred Networks Visual Inspection

深層学習の新しい可能性
6

7

従来の方法
写実的なCG動画を作る方法
光源・レイア
ウト等調整
仕上げ
アニメー
ション編集
各物体の
3Dモデル製作
素材感等
調整
素材準備
フォトリアリスティック
深層学習を応用した方法
3D形状/色/
素材感/動き等
を自動推定
仕上げ
撮影
♪

9
深層学習を使用してスキャン・復元した3DCG動画

3DCGなので視点の移動や物体ごとの編集が可能

11
3DCGを編集してダンサーを分身させます

12
私もスキャンされてみました
カメラ台

13
カメラ
被写体
カメラの配置

14
360°全方位をスキャン！
カメラが写りこんでしまう！

15
360°フルCG映像（カメラ台が写り込み）

16
フルCGなのでカメラ台も編集で消去可能

汎用原子レベルシミュレータ
by

ENEOS様事例

Matlantisによるナノチューブの
衝突シミュレーション
（原子数 4,880個）
従来のDFT計算・36コアCPU
数百年以上 35分

様々な種類の計算が、
深層学習を中心に再構成される

深層学習登場
104
102
10
10-2
10-4
10-6
10-8
10-10
10-12
10-14
1960 1970 1980 1990 2000 2010 2020
Petaflops/s-days
深層学習の登場で
必要な計算力は
加速度的に増加
3～4ヶ月ごとに倍増
AlphaGoZero
Neural Machine
Translation
T17 Dota1v1
ResNets
VGG
VGG
AlexNet
DQN
Deep Belief Nets and
layer-wise pretraining
TD-Gammon v2.1
BILSTM for Speech
Lenet-5
RNN forSpeech
ALVINN
NETtalk
Perceptron
出典: OpenAI. Two Distinct Eras of Compute Usage in Training AI Systems

PFN・神戸大学牧野淳一郎教授による共同開発
TM

MN-Core (12nm)の高い電力性能
No. 1
No. 1
No. 1
実効効率(%)
電力性能(GF/W)

約10倍の高速化
MN-Core
GPU (V100)
0h 2h 4h 6h 8h 10h 12h
MN-Core
GPU(V100)
3d Reconstruction
複数視点の写真を利用した
３次元モデルの復元

探索中の様々なモデルに対して
平均約7倍以上の高速化
0
10
20
30
40
50
60
70
NAS-modelA NAS-modelB NAS-modelC NAS-modelD
Neural Architecture Search (Training)
iters
/
sec
GPU(V100) MN-Core
ニューラルネットワーク構造の
自動最適化

ニューラルネットワーク
を用いた材料探索
（一部の手法で高速化に成功）
実際の探索において
5倍以上の高速化
×

地震波による地層解析
分子動力学
テキスト条件付き画像生成
例: “Christmas tree in a datacenter”
CGによる物体認識の学習

最適化
コード生成
ハードウェアの演算器数を最大化
汎用プロセッサー MN-Core
ソフトウェア
レジスタ
演算器
命令
スケジューラ
キャッシュ
コントローラ
ネットワーク
制御回路
ハードウェア
DRAM I/F
オンチップ・メモリ
オンチップ・ネットワーク 最適化
コード生成
ソフトウェア
命令
スケジューラ
キャッシュ
コントローラ
ネットワーク
制御
レジスタ
演算器
ハードウェア
DRAM I/F
オンチップ・メモリ
オンチップ・ネットワーク

スーパーなコンパイラで汎用性と性能の両立を実現
MNGraph
L3IR
DNN op level,
SIMD parallelism
strategy, …...
Global
Layout
Planner
Re-
computation
Scheduler
L2IR
ndarray op level,
optimized DNN op
impl, …...
Generic Conv
Impl.
MNTensor
PEVector
Reshape Impl.
L1IR
MN-core op level,
memory allocation,
scheduling,
optimization, …...
Layer Impl.
Scheduling
Graph
Instruction
Merger
ONNX model

Announcement

この成果は、国立研究開発法人新エネルギー・産業技術総合開発機構（NEDO）の委託業務の結果得られたものです
TM
2
PFN・神戸大学牧野淳一郎教授による共同開発

MN-Core MN-Core2
ラックあたりの演算性能
MN-Core MN-Core2
電力あたりの性能
性能の進化
すでに画像認識/材料探索などの実用的なワークロードの動作を確認済み
約3倍 約25%
削減
MN-Core MN-Core2
ラックあたりの演算性能
約3倍
演算性能あたりの電力消費
MN-Core 2 MN-Core 2

2023春
パートナー向けから順次
計算力の外部提供を開始

実際に4DスキャンしたCG(停止状態)を
マウスで動かせます
https://pfn3d.com/4d/viewer.html
Thank you!