事例No.PC-10291B
参考価格:
5,478,000

機械学習&量子化学計算シミュレーション用マシン (RTX A6000 x4枚構成)

用途:機械学習と量子化学計算シミュレーション

事例No.PC-10291の後継仕様です。

PC-10291で採用していたGeforce RTX3090が終息のため、RTX A6000 x4枚を100V環境で使用できる構成としてご用意しました。
本構成は筐体の内部スペースの制約から、搭載できるHDD数に限りがあります。また、RAIDカードなどを搭載するバスが残っていないため、RAID非対応となっております。

電源ユニットは1600W表記ではありますが、100V環境では実質的に1300W強の給電能力です。
本構成に搭載した電源 x2台は冗長化 (どちらかが壊れても動作する) を目的としたものではありませんので、どちらか片方の電源が故障した場合、システムは停止します。この点、サーバー的な安定性を考慮しない構成ですので、あくまで100V環境を優先し、なおかつシステムのダウンタイムが許容できる用途・範囲での利用が前提であることをご承知おきください。

【本構成における注意点】

・給電量を確保するための電源 x2台構成です。片方の電源が故障した場合、システムは機能しません。クリティカルな用途でのご利用は避けてください。

・100V対応への対応のため、消費電力は15Aを超えます。2つの電源は必ず別系統のコンセントから給電してください。(1コンセントからのタコ足配線や電気契約15Aでのご利用は不可)

・HDDなどの増設には対応していません。(搭載可能な内蔵ドライブはM.2タイプのストレージ x2枚まで)

主な仕様

CPU Ryzen ThreadripperPRO 5975WX (3.60GHz 32コア)
メモリ 512GB
ストレージ1 1TB SSD M.2
ストレージ2 10TB HDD S-ATA
ビデオ NVIDIA RTX A6000 x4
ネットワーク on board (1GbE x1 10GBase-T x1)
筐体+電源 タワー筐体 + 1600W x2
OS Ubuntu 20.04
事例追加日:2022/11/29
事例No.PC-10569
参考価格:
2,168,100

ガラス成形における流体解析

用途:流体解析シミュレーション

お客さまからのご相談内容

ガラス成形の研究を行うため、流体解析用マシンを導入したい。
できるだけコア数の多い構成を提案して欲しい。
希望するスペックは以下の通り。

・CPU:できるだけ多いコア 
・メモリ:128GB以上
・ストレージ:OS用のSSD x1とデータ用のHDD x1
・OS:Windows 11
・予算:200万円程度

テガラからのご提案

ご要望に合わせて構成を検討しました。
ご予算内でコア数を最大化するため、スペックとコストのバランスを考えてThreadripperPROを用いた構成をご提案しています。

OS用のストレージには速度を重視してM.2タイプのSSDを採用し、データ用は容量とコストのバランスからS-ATAタイプのHDDとしています。

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。
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。

主な仕様

CPU ThreadripperPRO 5995WX (2.70GHz 64コア)
メモリ 128GB REG ECC
ストレージ1 1TB SSD M.2
ストレージ2 4TB HDD S-ATA
ビデオ NVIDIA T1000
ネットワーク on board (1GbE x1 10GBase-T x1)
筐体+電源 タワー筐体 + 1000W
OS Microsoft Windows 11 Pro 64bit

検索キーワード
finite element analysis,Seebeck effect,Peltier effect,Thomson effect,physics computing,Robust design,Krylov Subspace,Load Vector,nonlinear model,reinforced concrete structure,material model,concrete beam,engineering practice,nonlinear finite element modeling,cracks,static analysis

本事例はThreadripperPRO Modelをベースにしています。
スペック変更による概算価格のシミュレーションはこちらからご確認いただけます。
※RADICのモデルチェンジ等の理由により、事例の構成と同一のスペックを選択できない場合があります。
 おそれ入りますが、予めご承知おきください。

事例追加日:2022/11/24
事例No.PC-10451
参考価格:
1,774,300

地理情報システムのためのSfM処理マシン

用途:3Dモデル処理ソフトウェア「Metashape」や「ContextCapture」の利用

お客さまからのご相談内容

地理情報システムのサービス提供のため、MetashapeContextCaptureなどのSfM処理ソフトを用いて、大量かつ高解像度の写真 (1億5000万画素程度) の処理を行いたい。そのためのワークステーションを提案して欲しい。
SfM処理の他には、高密度点群の3Dデータ編集や3Dモデリング、CAD処理なども行う予定がある。

希望するスペックは以下の通り。

・CPU:Xeon Goldクラス以上 コア数は未定
・メモリ:128GB ECC 以上
・OS用ストレージ:1TB SSD M.2以上にOSをインストール
・データ用ストレージ:データは外部NASに保存するので、容量は少なくて良い
・ビデオカード:未定
・予算:200万円程度

テガラからのご提案

ご連絡いただいた条件を元に、構成を検討しました。
CPU選定でのポイントは以下のとおりです。

■Point

・MetashapeやContextCaptureにおいて、CPUはある程度の並列数でスケールしなくなる。

・予定ソフトの利用を考えた場合、Xeon Goldのように「動作クロックは高くないがコア数が多いCPU」は、「コア数は少ないが1コアあたりのクロック数が高いCPU」よりも処理が遅くなると考えられる。

上記を踏まえつつ、本件では扱う画像データが大きいことから、「128GB以上のメモリの搭載+CPUスペック」のバランスを考慮して、Xeon WシリーズのCPUを用いた構成をご提案しました。

また、ご利用予定のソフトはどちらもある程度のGPU能力が必要となります。
当初はGeforce RTX3090を採用した構成のご案内を想定していましたが、使用するCADの要件を確認した上で、OpenGL対応のビデオカードに変更しています。

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。
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。

主な仕様

CPU Xeon W-2295 (3.00GHz 18コア)
メモリ 256GB
ストレージ1 1TB SSD M.2
ストレージ2 2TB HDD S-ATA
ビデオ NVIDIA RTX A6000
ネットワーク on board (10/100/1000Base-T x1 5G x1)
筐体+電源 ミドルタワー筐体 + 850W
OS Microsoft Windows 11 Pro 64bit

■FAQ

・Metashapeとは
Metahsapeは、写真 (静止画像) から高品質な3Dモデルを構築できるソフトウェア。
基本的な機能を搭載したStandard Editionと、より多くの機能を搭載するProfessional Editionが存在し、 Professional版では航空写真などから3次元GISコンテンツを作成することも可能。
Metashapeライセンスはユニポスにて取り扱っています。

参考:Metashape (Agisoft) ※弊社研究開発者向け海外製品調達・コンサルテーションサービス「ユニポス」のWEBサイトに飛びます

 

・ContextCaptureとは
ContextCaptureは建造物や人工物、自然の地形などを写真から自動的に3Dモデル化するソフトウェア。
平面部の不要な凹凸や辺の形状表現の精度の高さなど、建設分野での利用に定評がある。

参考:ContextCapture (Bently) ※外部サイトに飛びます

 

・OpenGLとは
OpenGLは、ハードウェアの持つ2D/3DCG関連の演算機能/描画機能を支援するためのライブラリ。
様々な描画デバイスに対応したグラフィック用APIのオープン標準規格。

検索キーワード
unmanned aerial vehicle,drone,Metashape,Agisoft,Fotogrametria,Photogrammetry,point cloud filter,forest monitoring,DSM generation,GIS,Mesh

事例追加日:2022/11/21
事例No.PC-10572
参考価格:
836,000

地震動に関する機械学習のためのマシン

用途:機械学習 (大量のデータ学習を高速で実施)

お客さまからのご相談内容

地震動に関する研究を行うためのマシンが欲しい。
大量のデータ学習を高速で実施するため、メモリやGPUを充実させたい。
Pythonで自社開発したコードを用いた処理を行う予定だが、SonyのNeural Network Consoleも補助的な役割で使用する。

マシン導入における条件は以下の通り。

・予算は100万円以内
・上記の予算内でRAMやGPUの容量をできる限り増やす
・GPU:Geforce RTX3090
・OS:Windows10

PCに詳しくないため、メモリやGPUの容量やバランスなどに不安がある。
曖昧なイメージしか持っていないが、上記の条件を踏まえて適切な構成を提案して欲しい。

テガラからのご提案

GPUを使用した機械学習では、GPUに搭載されているメモリの容量が重要になります。
お客様が自作したPythonコードがマシン本体のメインメモリを重視する場合は例外ですが、GPUを使用した一般的な機械学習では、メインメモリから一旦GPUメモリにデータを移動してから動作します。
そのため、メインメモリがGPUメモリ+α以上に必要になるケースは少ないです。

■Point

・GPUメモリの容量が大きいと、GPU学習時のバッチサイズなどを大きく取ることができ、学習速度が向上する場合がある。(特に、大容量の画像データを使った学習の場合にこの傾向が見られる)

・GPUメモリ容量の大きな製品をおすすめしたいが、ご予算100万円に収めるのは難しい。

ご予算とGPUメモリの条件から、NVIDIA GeforceシリーズをGPUとする方針で検討しました。
ご指定のRTX3090は終息のため、後継のRTX4090としています。ビデオメモリ 24GBに対し、メインメモリは64GBと余裕のあるスペックです。

また、お客様からは以下のご質問をいただきました。

■Question

GPUとCPUの使い分けとして、下記の[1]~[3]を想定している。

[1]CPU側で学習用データの前処理を実施する。

[2]前処理したデータをGPU上に転送して機械学習を行う。

[3]GPU上で学習させたモデルによる予測結果等をCPU上で処理する

提案構成では、メインメモリとGPUメモリの容量差が大きい印象だが、GPUメモリを24GBから48GBに変更することは可能か。

GPUで学習させた場合はインファレンスもGPUで行うパターンが多いと思われます。[3]についてお客様に確認した結果、インファレンスや推定精度の評価、図化を想定しているとのことでした。
CPUのインファレンスは特殊な機能がなくても可能ですが、処理に大変時間がかかる場合があります。そのため、お使いのインファレンスプログラムが (GPUでいうところのCUDAのように) CPUハード側で用意しているベンダー専用の仕組みを使って組み込まれている可能性がないか、確認をお願いしました。
例えば、IntelのDeep Learning Boostを前提にソフトが組み込まれている場合、この仕組みが実装されているCPUを利用する必要があります。

参考:インテル ディープラーニング・ブースト (インテル DLブースト) ※外部サイトに飛びます

確認・ヒアリングの結果、インファレンス部分はCUDAによるGPU利用での対応であることが確認できたため、CPU側はIntel Deep Learning Boostなどを考慮する必要がないと判断しています。

また、GPUメモリの容量を増やす場合、ビデオカード自体を別の製品に変更する必要があります。
候補としてはRTX A6000 48GBが考えられますが、ご予算内での採用が難しいためRTX4090 24GBを選択している旨をお客様にお伝えし、ご理解をいただきました。ご予算に余裕のあるお客様は、RTX A6000に変更した構成でご案内しますので、お気軽にご相談ください。

 

主な仕様

CPU AMD Ryzen7 7700X (4.50GHz 8コア)
メモリ 64GB
ストレージ1 2TB SSD M.2
ストレージ2 8TB HDD S-ATA
ビデオ NVIDIA Geforce RTX4090 24GB (内排気)
ネットワーク on board (2.5G x1 10/100/1000Base-T x1) Wi-Fi x1
筐体+電源 ミドルタワー筐体 + 1000W
OS Microsoft Windows 10 Pro 64bit

■FAQ

・機械学習とは
機械学習は、データ蓄積により特定のタスクをコンピュータ上で実行できるようになる仕組み。
コンピュータが自律的に認識・予測精度を向上させる。
機械学習に関しては、弊社オウンドメディア「TEGAKARI」の関連記事をご覧ください。

参考:【特集記事】機械学習ってなんだろう ※外部サイトに飛びます

 

・Neural Network Consoleとは
Neural Network Console (NNC) はSonyが開発したディープラーニング・ツール。プログラミングをせずにDeepLearningを行うことができる。

参考:Neural Network Console (Sony) ※外部サイトに飛びます

 

・インファレンスとは
インファレンス (推論) とは、機械学習で問題を答えさせることを指す。
前のフェーズであるラーニング (学習) において、多くの学習データから分類や識別などを読み取り、パラメータを調節し、インファレンスで問題を解くのが、機械学習。
推論での回答結果に誤りがある場合には、学習フェーズに戻ってパラメータの調整を行い、再度推論を行って精度を高めることになる。

 

検索キーワード
Deep learning,Machine learning,Artificial intelligence,Neural networks,Deep neural networks,Deep stacking networks,Supervised learning,Unsupervised learning,Natural language processing,Smart manufacturing,Computational intelligence,Data analytics,learning (artificial intelligence),Information processing,Computer vision,AI,big data,programming

事例追加日:2022/11/29
お客様のご要望をうかがい、最適なPCの構成をご提案する
「お客様だけのオーダーメイドPC」を製作しています。
用途に応じた細かなアドバイスや迅速な対応がテガラの強みです。

上記の仕様はテガラでお客様に提案したPC構成の一例です。
掲載内容は提案当時のものであり、また使用する部材の供給状況によっては、現在では提供がむずかしいものや、部材を変更してのご提案となる場合がございます。

参考価格については、提案当時の価格(送料込・税込)になります。
ご相談時期によっては価格が異なる場合がございますので、あらかじめご了承ください。