PC提案事例

クライオ電子顕微鏡での単粒子解析用ワークステーションを導入したいので、予算220万円程度で適切な構成を提案してほしい。

具体的な希望は以下の通り。

お客さまご希望の条件に沿った構成をご提案しました。

最新のRyzen Threadripper PRO 7000 WXシリーズを搭載

2024年4月時点で最新であるRyzen Threadripper PRO 7000 WXシリーズの24コアモデルを採用した構成です。
24のコア数と4.20GHzの動作クロックにより、解析時の高いパフォーマンスが期待できます。

NVIDIA Geforce RTX4090 x2枚搭載時は200V環境が必須

ご指定に沿って、NVIDIA Geforce RTX4090 x2枚を搭載しています。
なお、NVIDIA Geforce RTX4090のTDPは450Wと消費電力の大きい製品のため、2枚搭載した場合は200V環境が必須です。

100V環境での利用できることを優先する場合には、RTX4090の搭載数を1枚に減らす、あるいはNVIDIA A6000やNVIDIA RTX6000 Adaといったより消費電力量の低いビデオカード x2枚に変更することで100V環境への対応が可能です。

ソフトウェアの事前インストールも可能

また、ご希望の場合はクライオ電子顕微鏡法向けのソフトウェアを事前インストールすることも可能です。ご希望の際には気兼ねなくお申し付けください。

本事例の構成は、お客様から頂戴した条件を元に検討した内容です。
いただいた条件に合わせて柔軟にマシンをご提案いたしますので、掲載内容とは異なる条件でご検討の場合でも、お気軽にご相談ください。

事例No.PC-10086を見ての問い合わせ。
DeepLabCut ver2.3用のワークステーションの導入を考えている。予算100万円程度で最適構成を提案してほしい。

処理能力の希望は、現在使用しているNVIDIA RTX A6000 x1枚を搭載したワークステーションと同等以上の速度でDeepLabCutを動かせること。
また、DeepLabCut ver2.3の事前インストールも依頼したい。

具体的なスペックとしては，以下の条件を希望する。

2024年2月時点で最新の第14世代Core i9を搭載した構成です。予算に合わせて合計24コアのCore i9-14900Kを選択しています。

なお、実際にDeepLabCutを実行した際に負荷がかかる箇所はGPUが大半で、CPUに高い負荷がかかる場面はかなり少ないと考えられます。
そのため、CPUの性能を重視しない場合はCore i7などの下位モデルに変更することも可能です。

GeForce RTX4090とRTX A6000、どちらが最適？

お客様のご希望に合わせて、GPUはNVIDIA GeForce RTX4090 24GBを選択しています。
NVIDIA GeForce RTX4090 24GBとNVIDIA RTX A6000 48GBを比較すると、チップの世代とVRAM容量に違いがあります。チップの世代はRTX4090で採用されているものの方が新しいですが，VRAM容量はA6000の半分です。
DeepLabCutのGPU処理はTensorFlowを基盤としており、GPU利用中の挙動もTensorFlowの特性に準じます。TensorFlowのデフォルト設定で実行した場合、DeepLabCutは確保できるだけのビデオメモリを確保して処理を実行します。そのため、VRAM容量の差による影響が生じることも考えられますが、RTX4090のCUDAコア数は18,000以上でA6000の2倍に近い値です。実際の利用ではVRAM容量の差よりもCUDAコア数の差による影響の方がより大きく現れると考えられるため、RTX A6000と比較しても解析速度の向上が期待できます。

なお、DeepLabCut公式リポジトリに掲載されているGPUの要件では8GB以上のVRAMが推奨として示されています。その値から考えると、RTX4090の24GBも十分なVRAMが確保されていると言えます。

本事例の構成は、お客様から頂戴した条件を元に検討した内容です。
いただいた条件に合わせて柔軟にマシンをご提案いたしますので、掲載内容とは異なる条件でご検討の場合でも、お気軽にご相談ください。

生物学向け大規模言語モデルの学習用マシンの導入を検討している。
ProteinBERT、 ChemBERTa、 HyenaDNAといった生物学で用いられる大規模言語モデルを事前学習から実行したいと考えている。

ProteinBERTはNvidia Quadro RTX 5000、ChemBERTaはNVIDIA Tesla T4、HyenaDNAはNVIDIA A100をそれぞれ学習に使用したとの情報があるため、GPUの性能を重視したい。

予算300万円以内で、上記の用途における計算処理を最も高速化できる構成を提案してほしい。

また、設置場所の制限があるため、筐体サイズはミドルタワー程度で、100V環境で使用可能な構成が望ましい。

希望する条件は以下の通り。

お客さまご希望の条件に沿った構成をご提案しました。
ご予算・利用環境を踏まえたうえで、GPU性能を重視した構成です。

GPUの選定について

GPUはNVIDIA RTX A6000 x2枚を搭載しています。
ProteinBERT開発元の公式サイトによると、学習済みモデルの構築にはNVIDIA RTX5000を用いて1か月ほど要したと記載されています。
A6000はRTX5000より世代が新しく、ラインナップ上でも上位モデルにあたる製品のため、RTX5000よりも高い処理性能が期待できます。

例として挙げていただいたNVIDIA Tesla T4は、推論向けとして利用されることが多い製品です。そのため、本構成ではNVIDIA TeslaT4よりも単体性能が高いA6000を採用しています。

NVIDIA A100とRTX A6000の違い

また、NVIDIA A100は、A6000とは異なり、GPGPU専用カードです。
高いfp64性能を持ち科学計算に適した製品ですが、今回のようなDeepLearning用途ではfp64性能が利用されることはほとんどありません。
あわせて、価格に関してもA6000と比較して非常に高額で、かつ専用の筐体でなければ利用できないことから、今回の利用条件や用途におけるマッチングが高くないと判断しました。

ストレージに関しては、ProteinBERTの開発元よりユーザー自らモデルの学習を行う場合は1TB以上のストレージ容量を確保することが推奨されているため、2TBのシステムディスク、4TBのデータディスクを搭載しています。
なお、学習中に頻繁なデータアクセスが発生することを想定して、ストレージはすべてSSDとしています。

OSはWindows 11を選択しています。
ご使用予定の言語モデルは基本的にはPythonパッケージで提供されているもののため、Pythonを使用可能なOSであれば、ご希望に応じて変更も可能です。

本事例の構成は、お客様から頂戴した条件を元に検討した内容です。
いただいた条件に合わせて柔軟にマシンをご提案いたしますので、掲載内容とは異なる条件でご検討の場合でも、お気軽にご相談ください。

シングルセルRNA-seq用にPCを導入したい。
現在はMacを利用しており、DockerでLinux環境を作りCell Rangerを起動しているが、処理にとても時間がかかっている。
Linuxマシンで、60万円程度の構成を提案して欲しい。

スペックの条件としては、メモリ128GB以上を希望する。

Linuxマシンをご希望でしたので、ご予算内でのUbuntuマシンをご提案しました。メモリは128GBで、用途面での必要性を想定し、SSD＋大容量HDDを搭載した構成としています。

Cell Ranger側の推奨スペックは、CPU 16コア＋メモリ128GBです。 本構成のメモリ容量は仕様上最大ですので、より多くのメモリが必要となる可能性がある場合にはご相談ください。

本事例の構成は、お客様から頂戴した条件を元に検討した内容です。
掲載内容とは異なる条件でご検討の場合でも、お気軽にご相談ください。