PC提案事例

マテリアルズ・インフォマティクスの研究で、不確実性に関する数値シミュレーションを行うためのマシンが欲しい。
異なる条件で大量のシミュレーションを実施する必要があるため、並列計算能力の高いマシンが理想。
また、大規模な解析結果を高速で可視化するために、高性能なGPUが必要。
希望するスペックは以下の通り。

ご要望に合わせて構成を検討しました。
NVIDIA RTX6000 Adaを2台搭載した構成です。
ストレージ条件である4TB SSDは、M.2スロット x2つとS-ATA x7つで合計9台を搭載しています。
※マザーボード上のS-ATAポートは全部で8ポートですが、残り1ポートは光学ドライブ用として使用しています。

電源ユニットは1600W対応品を採用していますが、100V環境で利用する場合は1300W程度までの出力となります。

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。

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。

検索キーワード
ガラス成形,流体解析,マシンスペック,大容量メモリ,高速ストレージ,予算内提案,ガラス成形研究,REG ECCメモリ,高効率流体解析,スペック重視,高効率流体解析,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

地理情報システムのサービス提供のため、MetashapeやContextCapture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。

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。

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。

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

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