Preferred Networks（PFN）は2021年6月14日、神戸大学と共同開発した深層学習用プロセッサ「MN-Core」専用コンパイラを開発したと発表した。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倍以上に高速化した。
［訂正のお知らせ］Preferred Networksが行ったニュースリリースの訂正に基づき、本記事におけるMN-Coreの性能評価プログラムに関する記述を訂正しました。（2021/06/23 11:30）
誤：インスタンスセグメンテーションで6倍以上
正：画像認識で6倍以上
Preferred Networks（PFN）の「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（関連記事：PFN、深層学習プロセッサ「MN-Core」を発表、2020年春に2EFLOPSの大規模クラスタを構築、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を採用し、チップあたりのピーク性能は、深層学習で頻用する半精度浮動小数点演算で524TFLOPS（テラフロップス、1秒あたり524兆回）である。
写真1：MN-Coreの外観（出典：Preferred Networks） PFNは今回、深層学習のフレームワークであるPyTorchからMN-Coreを利用するための専用コンパイラを開発した。これを用いてコンパイルすることで、開発済みの既存のアプリケーションに大きな変更を加えることなく、MN-Coreを利用して計算を高速化できる。このコンパイラでコンパイルしたアプリケーションの実行速度を、汎用GPUを搭載したPFNのスーパーコンピュータ「MN-2」と比較したところ、画像認識で6倍以上、グラフ処理で約3倍の高速化を達成した（図1）。
図1：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（出典：Preferred Networks）拡大画像表示
PFNのスーパーコンピュータ「MN-3」がMN-Coreを搭載している。MN-3は、TOP500リストのLINPACK性能を消費電力で割り、1ワットあたりの性能を比較したGreen500リストにおいて、2020年6月に1位を記録している（関連記事：Preferred Networksのスパコン「MN-3」が電力当たり性能の「Green500」で歴代1位に）。
PFNは、2020年5月にMN-3の試験稼働を開始して以来、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た。今回の専用コンパイラは、こうした活動の成果であるという。
