Preferred Networks（PFN）は2018年12月12日、ディープラーニング（深層学習）の学習工程を高速化する用途に特化したプロセッサ「MN-Core」を発表した。消費電力あたりの半精度浮動小数点演算性能は1ワットあたり1TFLOPS（テラフロップス）を見込む。2020年春にはMN-Coreを搭載した大規模クラスター「MN-3」を構築する。MN-3の計算速度は、最終的に半精度で2EFLOPS（エクサフロップス、1秒に200京回の浮動小数点演算）まで拡大する。
Preferred Networks（PFN）が開発するプロセッサ「MN-Core」は、ディープラーニング（深層学習）の学習工程を高速化する用途に特化したプロセッサである（写真1）。行列演算器を高密度に実装し、条件分岐がない完全SIMD動作をするシンプルなアーキテクチャとした。1つのパッケージは4ダイで構成し、ダイにつき512個、計2048個の行列演算ブロックを集積している。チップあたりのピーク性能は、深層学習でよく使う半精度浮動小数点演算で524TFLOPS（1秒あたり524兆回）。
写真1：ディープラーニング（深層学習）の学習工程を高速化する用途に特化したプロセッサ「MN-Core」の外観（出典：Preferred Networks）拡大画像表示
特徴は、電力性能（消費電力あたりの演算性能）を高めたことである（表1）。半精度浮動小数点演算において、世界最高クラスの1ワットあたり1TFLOPS（1秒あたり1兆回）を実現できる見込みとしている。最小限の機能に特化することで、コストを抑えながら、深層学習における実効性能を高めることが可能である（関連記事：ディープラーニングでデバイスの制御にまで踏み込む─Preferred Networksが事業を説明）
| 製造プロセス | TSMC 12nm |
|---|---|
| 消費電力（ワット、予測値） | 500 |
| ピーク性能（TFLOPS） | 32.8（倍精度） 131（単精度） 524（半精度） |
| 電力性能（TFLOPS/ワット、予測値) | 0.066（倍精度） 0.26（単精度） 1.0（半精度） |
●Next：MN-Coreの提供形態と今後の拡張計画
会員登録（無料）が必要です
ディープラーニング / プロセッサ / Preferred Networks / GPU / GPGPU / MN-Core / スーパーコンピュータ
