訂正 (2020/6/23)
「インスタンスセグメンテーションにおいて6倍以上」という記載について一部誤りがありました。正確には、インスタンスセグメンテーションだけでなく、オブジェクトディテクション（物体検出）のモデルも含まれているため、グラフ中のモデル名及び本文の表記を適切に修正しました。

株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、以下、PFN）は、神戸大学と共同開発した深層学習用プロセッサーMN-Core™の専用ソフトウェア（以下、コンパイラ）を開発し、深層学習における複数の実用的なワークロードの計算速度を最大で従来の6倍以上高速化（当社比）することができました。このMN-Coreによる深層学習への高効率でスケーラブルなアプローチについて、半導体技術に関する国際会議 2021 Symposia on VLSI Technology and Circuits で発表します。

MN-Coreは、PFNの深層学習専用プロセッサーとして開発され、2020年6月にスーパーコンピュータの省電力性能を示すGreen500ランキングで1位を獲得したPFNのプライベートスーパーコンピュータMN-3に搭載されています。2020年5月にMN-3の試験稼働を開始して以来、PFNでは深層学習をより高速化するためのソフトウェア群の開発を続けてきました。

今回、深層学習のフレームワークとしてPFNで広く活用されるPyTorchからシームレスにMN-Coreを利用するための専用コンパイラを開発したことで、深層学習の様々な既存ワークロードに大きな変更をすることなく、MN-Coreによる計算速度の大幅な高速化を実現しました。このコンパイラを用いてMN-Coreの性能評価を行った結果、従来の汎用GPUを搭載したPFNのスーパーコンピュータMN-2と比較して、画像認識において6倍以上、グラフ処理において約3倍の高速化を達成しました。

深層学習ワークロードにおけるMN-2とMN-3 (MN-Core) の単位時間あたりの処理性能比較

詳しくはブログをご覧ください　https://tech.preferred.jp/ja/blog/mncore-compiler-1/

データセットが巨大化し、モデルが複雑化する中、こうした計算速度の高速化は深層学習技術の研究開発において大きな競争力になります。

PFNは、今後もプロセッサーをはじめとする計算資源の拡充、ハードウェアの性能を最大限引き出すソフトウェア群の開発を通じて、深層学習技術の研究開発を積極的に行っていきます。

【2021 Symposia on VLSI Technology and Circuitsでの発表概要】
● Q&Aセッションの日時：2021年6月15日（火） 9:20-10:20
● セッション：（CFS1）Energy-Efficient Machine Learning Processors
● タイトル：MN-Core – A Highly Efficient and Scalable Approach to Deep Learning
● 発表者：名村 健　Ken Namura