PC提案事例

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。

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。

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

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。

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。

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。

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

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。

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。

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