PC提案事例

有限要素法解析やFDTD解析に適したPC構成を検討したい。
大まかな条件は以下の通り。

・CPU：Xeon Processor W-2225を希望
・メモリ：初期状態で128GB欲しい。将来的には256GBまで拡張したい。
・OS：なし
・使用ソフト：COMSOL、SIM4LIFE、Matlab、Pythonなど
・予算：50万円程度

Geforce RTX3060を所有しており、GPUとして使用可能か教えて欲しい。もし、RTX3060よりもNVIDIA T400の方が適しているなら提案を希望する。
また、RTX3060とT400の併用が可能であれば検討したい。

ご要望の条件に合わせて構成を検討しました。
Xeon W-2225を搭載し、メモリ容量も拡張性のある構成です。

ビデオカードは使用ソフトが3D表示などでQuadroやNVIDIA RTXシリーズを指定している場合には、NVIDIA T400などを選定する必要がありますが、そうでない場合の単純な性能はRTX3060の方が優位です。COMSOLとSIM4LIFEに当てはめて検討した際のポイントは以下のとおりです。

上記の情報から、ご提案ではお客様が所有するRTX3060を利用する形でご提案しています。
T400とRTX3060の併用も可能ですが、ご予算に収めるためにはCPUなどのスペックを下げる必要があるため、まずはRTX3060のみを利用する形としています。

SIM4LIFEがWindows用ソフトのため、OSはお客様にてWindowsOSをインストールしていただく想定です。Windows 11への対応を考え、TPMモジュールを搭載した構成です。

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。
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。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

ナノポアシーケンサーによる長鎖のDNA解析を行うためのマシンを導入したい。
想定している条件は以下の通り。

・CPU：2CPU構成が望ましい
・メモリ：64GB程度
・ストレージ：2TB以上のSSD　データ保存領域にはNASを利用する
・GPU：NVIDIA RTX2060以上 予算内で最も性能の高いGPUを希望
・OS：Ubuntuインストール予定 (OSなしでの出荷を希望)
・予算：90万円程度

構成検討においては、CPUとGPUに関する条件がポイントとなります。
ご予算を加味して検討すると、両方の条件を同時に満たすことが難しいため、本事例では2CPU構成を優先したご提案としています。
GPUの性能を重視した構成は、事例No.PC-10347Bをご覧ください。

2CPU構成のメリットは、1CPU構成と比較してコア数が多く並列処理性能が高い点と、メモリを最大で2TBまで搭載できる点です。

GPUのRTX A4000は、RTX2060と同程度のクラスですが、ビデオメモリ容量やCUDAコア数など全体的に優位性の高い製品です。

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。
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。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

大規模な分子動力学計算を行うためのマシンが欲しい。
LAMMPSやGROMACSの利用がメインで、必要に応じて量子化学計算 (Density Functional Theory：DFT) も利用する。
GPGPUでの計算を行うので、CUDA Toolkitもインストールして欲しい。

また、希望条件は以下の通り。

・CPU：AMD ThreadripperPRO 3995WX 2.7GHz 64コア
・メモリ：256GB
・ストレージ：480GB SSD S-ATA / 4TB HDD S-ATA
・GPU：NVIDIA A100 8GB
・筐体：タワー型
・OS：Redhat系
・その他：CUDA Toolkit
・予算：600万円程度

お客様のご希望を元に、構成をご案内しました。
LAMMPSやGROMACSでの大規模な分子動力学計算を想定した構成です。

■Point

AMD ThreadripperPRO と NVIDIA A100 を搭載する構成の場合、冷却方法の検討が必要

AMD ThreadripperPROは水冷CPUクーラーが標準仕様となっているため、筐体側にはNVIDIA A100を冷却できるほどのFANが標準搭載されておりません。 そのため、NVIDIA A100の冷却はGPU冷却専用のケースFANの追加で対応しています。 また、PCI-Eの空きスロットにダミーカバーを取り付けることで、NVIDIA A100の冷却効率UPを図っています。

LAMMPSとGROMACSの利用でGPUでの倍精度計算を行わない場合には、GPUを一般的な製品に変更してコストを抑えることができます。

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。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
分子動力学計算ワークステーション,LAMMPS,GROMACS,高性能ワークステーション,分子動力学シミュレーション,量子化学計算,Density Functional Theory (DFT),GPGPU計算,CUDA Toolkitインストール,高効率科学計算,高速処理ワークステーション,大規模分子動力学計算,メタルコンプレックス計算,理論計算ツール,分子モデリング,高性能科学計算マシン,プロフェッショナルワークステーション,分子解析ソフトウェア,予算内高性能マシン,理想の性能構成,分子シミュレーションマシン,大規模計算ワークステーション,高性能GPU,量子化学シミュレーション,高性能科学計算

PC-8850Bの遺伝子発現解析用マシン (2022年9月版) を見ての問い合わせ。

ゲノムデータや統計解析を使用した計算を行うためのマシンが欲しい。
SNP (スニップ/一塩基多型) という遺伝子型の情報を使い、遺伝子的能力の推定を行う予定。
具体的には、1万x1万以上の行列を処理するため、大容量のメモリが必要。

現在使用中のマシンスペックは以下の通り。

使用しているプログラムはBLUPF90。
複数の計算を処理するにあたって、64GBメモリでは不足気味であることが分かっている。

その他、将来的にはPythonを用いた16S リボソームRNAのデータ解析や、畜産のビッグデータを使用した機械学習も予定している。

OSは使い慣れたWindowsを希望。ストレージ容量は4TB以上が必須。
PCに詳しくないので具体的な要望を出すことは難しいが、予算内でできる限り高スペックなマシンを提案して欲しい。

ご覧いただいた事例No.PC-8850Bをベースに、構成を変更してご提案しました。

■Point

・メインの用途を考えると、CPUでの処理が主になると考えられる。
・メモリは64GBで不足「気味」なので、それ以上の容量があれば余裕をもって同じ処理を実行できると推測。

CPUは、コア数とクロックのバランスのよいThreadripperPRO 5975WXを選定しました。
また、メモリは余裕をみて256GBとしています。現在お使いのマシンの4倍に相当する容量ですので、同じ処理を比較的余裕を持って実施できる想定です。

その他、将来的に機械学習の手法を取り入れる可能性があることを考慮し、機械学習で利用されることの多いハイエンドGPUを搭載しています。機械学習の実装にも種類がありますので、NVIDIA GPUに対応するGPGPUフレームワークやCUDA Toolkitを介したプログラムを利用しない、またはそれほど本格的に取り組む想定ではない場合には、必ずしもこのGPUである必要はありませんので、安価な製品に変更することで価格を抑えることができます。

なお、ご利用中のMac Proと比較するとパーツの世代差が大きいため、性能の向上を体感できる構成です。

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。
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。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
遺伝的能力推定,ゲノムデータ解析,SNP (スニップ/一塩基多型),メモリ容量,BLUPF90,16SリボソームRNA解析,機械学習,Windows OS,ストレージ容量,ThreadripperPRO

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。

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。

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。

メインメモリがGPUメモリ以上に必要なケースは少ない

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。

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。

GPUとCPUの使い分け

また、お客様からは以下のご質問をいただきました。

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。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
機械学習,地震動,マシン,大量のデータ学習,GPU,Geforce RTX4090,メモリ容量,Python,Sony Neural Network Console,インファレンス
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

タンパク質の立体構造を解析するツール「AlphaFold2」を使用するためのマシンを検討したい。
事例No.PC-9327と同程度のマシンを考えている。

PC-9327の構成は一部パーツが終息しているため、ほぼ同一のアーキテクチャーを採用するXeon W-2200シリーズを採用した仕様で検討しました。

AlphaFold2の計算処理は、GPU性能の影響を受ける部分がかなり大きいことや、約2.7TBのデータベースに計算中も頻繁にアクセスするため、データベースを格納するストレージデバイスの性能が使用感に大きく影響します。
本構成ではコストを優先する方針で、データベース用のストレージを4TBのHDDとしていますが、速度重視の場合には事例No.PC-10260Aをご検討ください。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
G protein-coupled receptors,AlphaFold2,protein structure prediction,structural biology

タンパク質の立体構造を計算するツールである「AlphFold2」を使用するためのマシンを、予算100万円程度で検討したい。
他にもMOE (Molecular Operating Environment) やAutodockなどのWindowsソフトウェアを使いたいので、UbuntuとWindowsのデュアルブートを希望する。
UbuntuにはCUDA Toolkit 11をインストールして欲しい。

ご予算の範囲で検討した構成案です。
AlphaFold2の計算処理はGPU性能の影響を受ける部分が大きいことや、計算中も約2.7TBのデータベースへ頻繁にアクセスすることから、データベースを格納するストレージデバイスの性能が使用感に大きな影響を与えると考えられます。
本構成のストレージは全てSSDとしています。特に、AlphaFoldのデータベース展開用ストレージには、上記の理由からNVMe対応の4TB SSDを採用することで更にストレージ速度を高めています。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
G protein-coupled receptors,AlphaFold2,protein structure prediction,structural biology

DeepLearningを始めたいので、入門用のマシンを導入したい。
希望するスペックは以下の通り。

・CPU：指定はないので、適切なものを提案して欲しい。
・メモリ：32GB
・ストレージ：500GB SSD M.2
・OS：Windows11
・GPU：適切なものを提案して欲しい。
・マウス・キーボード：無線タイプ
・予算：50万円前後

ご指定の条件を満たす構成を検討しました。
CPUとビデオカードはご予算内で導入できる組み合わせとしていますが、計算の高速化やプログラミングのためのGPGPU・CUDA利用でも過不足のない構成としています。
お客様へのヒアリングでは、DeepLearning初心者に向けたマシン導入・テスト的な導入というお話でしたので、以下の点に配慮したご提案となっています。

・CPUとビデオカードはご予算内で導入できる組み合わせ
・GPGPUやCUDAを入門的に使うにあたり、過不足のないスペック
・Anacondaパッケージサービス込み

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
DeepLearning入門用マシン,DeepLearning,CPU,メモリ,ストレージ,Windows11,GPU,GPGPU,CUDA,Anacondaパッケージサービス,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

機械学習 (ニューラルネットワーク) 用のPCが欲しい。
2枚のGPUを搭載して、それぞれを別々の学習で利用したい。具体的には、以下のスペックを考えている。

・CPU：IntelでもAMDでもどちらでもよい
・マザーボード：PCI-E 4.0 x16（PCI-E 5.0 x8）相当の転送速度でGPUを2枚挿せるもの
・メモリ：DDR4-3200かDDR5で、32GBか64GBのどちらかを検討している
・SSD：NVMeタイプ 500GB
・HDD：S-ATA 8TB
・電源：1600W
・GPU：NVIDIA Geforce RTX3090 x2枚
・OS：CentOS 7

第3世代Xeon Scalableを用いた1CPU仕様のマシンをご提案しました。
この構成を採用した主な理由は、PCI Express 4.0への対応です。2台のビデオカードはPCI-Express 4.0 x16の帯域幅で接続されます。

また、用途を考えるとメインメモリはビデオメモリの総容量以上を確保することが望ましいため、RTX3090のビデオメモリ24GB x2枚分の48GB以上である64GBとしています。
その他の構成も、可能な限りお客さまのご要望にあわせています。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
ニューラルネットワーク研究,機械学習,PyTorch,CUDA,GPU搭載PC,2枚のGPU,CPUスペック,PCI Express 4.0,メモリ容量,RTX3090, 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

大学での授業用で画像解析・機械学習を行うため専用のマシンを導入したい。
最大30名程度の学生が利用する想定で、各自のPCからアクセスし、科学演算や画像解析・機械学習の演習を行う。
OSはUbuntuで、Anaconda / SSH-Server/R / TensorFlow / Pytorch のインストールを希望する。
GPUの利用頻度は少ないので、スペックを妥協することはできる。
予算は400万円程度を考えている。

ご希望の条件に合わせて、たたき台の構成を検討しました。
GPUサーバー仕様ではご予算に収めることが難しいため、GPU x1枚・100V電源環境向けの構成としています。
ご予算との兼ね合いから、CPUは64コア (32コア x2基) とし、メモリは256GBです。30名で利用する場合、一人当たりCPU 2コア (4スレッド) /メモリ 8GB程度のリソース割り当てとなる計算です。

ソフトウェアはご指定のものをインストールするまでを作業範囲として想定しています。個別の設定が必要な場合は、別途ご相談とさせていただきます。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

Anacondaを商業活動において利用する場合には有償ライセンスが必要となります。
これまで、大規模利用用の Enterprise のみの取り扱いでしたが、小規模利用のライセンスも取り扱い可能となりました。詳細は、下記をご確認ください。

■データサイエンスプラットフォーム「Anaconda」の小規模利用有償ライセンス

■Anaconda　科学技術計算向けのPython および Rのディストリビューション

検索キーワード
科学演算,画像解析,機械学習,Anaconda,Rプログラミング,TensorFlow,PyTorch,GPUサーバー,Ubuntu 20.04,ハイスペックPC, 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