GPUは元々、ポリゴン(�H角形)と�}ばれる��角形ないし四角形を�kつのセルとして積み�屬欧匿涎�(グラフィックス)を表現する、専��のマイクロプロセッサである。ポリゴンは絵を�Wくのにまずデッサンを�Wくことから始まることに�瑤討�り、ポリゴンを積み�屬欧謄薀佞淵好吋奪舛鱸Wく。そのあと詳細にポリゴンをもっと滑らかに仕�屬欧討い�。そして色塗りをしていく。

このGPUがなぜ、スパコンに向いているのか。�W気予報や風��実�xなどではメッシュを細かく切って微分��(sh┫)��式の数値解を求めてきた。GPUのポリゴンが実はメッシュと�瑤討い襪里任△襦�最初からポリゴンを�Wくという演�Qを行うプロセッサは数値演�Qと共通する。�@��のCPUだとメッシュを切ることから始めなければならず、最初から処理�Cで出��れることになる。だったら最初からGPUで演�Qしようという発�[が科学�\術演�Qにつながっていく。

科学�\術���Qの最先端がスーパーコンピュータであるが、東�B工業�j(lu┛)学の導入したスパコン「TSUBAME2.5」には、nVidia のGPU（Tesla K20X）が4224個の���Qノードに搭載されている。このスパコンを使って、シミュレーションの�j(lu┛)��模演�Qするだけではなく、可��化するための演�Qも行う。例えば、エレクトロニクスだと、発�XしているCPUチップ�屬倫a(b┳)度分布を�Wく、あるいはもっと3次元形�Xのロボットが動いている�X��の�a(b┳)度分布をシミュレーションで���Qするなどの応��がある。東工�j(lu┛)の�E�v尊之教�bは、TSUBAMEで行った���QをTSUBAME�屬撚���化する���Qを3�|類フルHDの動画で再�擇靴童�せた。それぞれ、バンカーショットのシミュレーション、�H数のがれきを含んだ���Sのシミュレーション、そして気�]の2相流のシミュレーションである。演�Qの��模は、それぞれ1670万個の��子を使った個別要素法���Q、8700万個の��子を使った���Q、1.1億メッシュを��いた���Qと�j(lu┛)きい。実�颪鮖廚錣擦襪茲Δ幣楮戮焚��気硫���化にはやはりスパコンが威��を発ｧする。

GPUが数値���Qだけではなく、デ��ープラーニングにも威��を発ｧすることが��らかになってきた。ニューラルネットワークを何層にも�_ねる構�]を�eつディープラーニングでは、��(c┬)去のデータとの違いを元に「学�{」する。ニューラルネットワークのニューロン1個は、��来モデルからよく��(m┬ng)られているように、�H入��・1出��のロジックで表される。ニューロンのレイヤーが何層も積み�_なったアーキテクチャがデ��ープラーニングの構�]となっている(図1)。1ニューロンの�Q入��のそれぞれの��(d┛ng)さ (�_み)を学�{によって変え、入��レイヤーから出��レイヤーまでのルートを最適化していく。

図1　ディープラーニングはニューラルネットワークを何層も�_ねた構�]で学�{し反復�a�{を経て最適な処理ルートを��めていく　ただし、�T果はあくまでも確率の�j(lu┛)きさで表現する

例えば、猫の顔認識なら、��(r┫n)常に�Hくの動�颪隆蕕筌皀里離如璽�(1000万〜1億)を�eち、認識したい顔をまずエッジを検出する。これが最初のレイヤーになる。ニューロンのレイヤー数を10レイヤーとして、10億のパラメータを抽出することを��める。2番�`のレイヤーではエッジをパラメータとして、�`や�磧�口などから数����の画�気�らオブジェクトとして学�{する。学�{する(ラーニングアルゴリズムを実行する)のに、GPUを使う。より�Zいと判��した�T果を学�{モデルに蓄えておき、そのデータを最初のレイヤーまでフ��ードバックし学�{を繰り返す。学�{は、ニューロンに入��する�_みを��(g┛u)新していく。これにより、最初は�nと認識しても学�{を繰り返すうちに犬、そして猫へと�Zづいていき、最後に猫である確率は90%、などといった�T果を表��(j┤)する。

学�{のアルゴリズムを実行する場合に、さまざまな��徴抽出、組み合わせを演�QするのにGPUを�W(w┌ng)��する。この�@��のGPUは絵を書くデッサンのように��長を抽出し、さらに詳細�霾�をレンダリングしていく演�Qに使う。Nvidiaは、GPUを搭載したグラフィックスボードK2を提供しており、このボードを使って学�{アルゴリズムを実行する。このGPUボードには、ハイエンドのメニーコアKeplerチップを2個搭載している。CUDAコアの数は3072個になる。これだけのコア数だと、仮�[化�\術を使える。

デ��ープラーニングはGPUボードというハードウエアだけではできない、ソフトウエアも��要であるため、nVidiaはソフトウエアを中心とするニューラルネットワークのトレーニングキットcuDNNも提供している。同社のGPU演�Qアーキテクチャに適したデ��ープラーニングには、外�陲離愁侫肇戰鵐澄爾�提供するCaffe（カッフェ）やChainer（シェイナー）と�}ばれるフレームワークを�W(w┌ng)��する。nVidiaはこのほど機械学�{(マシンラーニング)のソフト開発を行っている日本のベンチャー、Preferred Networksと提携を発表した。今後の�噞��アプリケーションでのデ��ープラーニング�\術を共同で開発する。ちなみにChainerはPreferred社が開発したフレームワークで、複数のGPUを使えるため、仮�[化できるnVidiaのGPUに向く。