Vera Rubinの科学計算、最大性能と研究の実測を分けて読む

一つのラックで、性質の違う計算を扱う

NVIDIAの発表は、科学向けAI性能が7エクサフロップス超、ネイティブFP64性能が5ペタフロップス、最大144基のGPUを収めるラック構成を掲げる。これらは同社が示した構成上の性能値であり、すべての研究プログラムで達成した実測速度という意味ではない。AI向けの演算と倍精度浮動小数点演算は、同じ単位のように見えても条件が異なる。

FP64は、数値を表す精度を確保するための形式だ。ただし、精度の指定だけで計算全体の信頼性が決まるわけではない。アルゴリズム、入力値の誤差、反復計算の収束、データの移動なども結果に影響する。導入比較では、演算の最大値だけでなく、使用するソルバーと問題サイズを合わせて測る必要がある。

同社が想定する用途は気候、流体、量子化学、エネルギーなどに広がる。Rubin GPUとVera CPU、高速な接続、ネットワーク、液冷構成を組み合わせ、シミュレーション、AIモデル、観測データ解析を一つの環境で動かす設計だ。研究の各工程が別々の計算資源を行き来する場合、その接続と運用自体が時間を使う。基盤の統合は、演算器の高速化とは別の改善余地になる。

倍精度の数字には、計算方式も添える

関連する技術の背景として、NVIDIAはcuBLASの浮動小数点エミュレーションも解説している。これは低い精度のTensor Core演算を組み合わせ、FP64の行列積を計算する仕組みだ。同記事ではOzaki Schemeと、入力に応じて必要な精度を決める仕組みが説明される。自動選択や通常の演算へ戻る経路も含むため、「低精度だから常に不正確」「FP64だからすべて同じ速度」といった二択では理解できない。

ただし、この技術記事のBlackwell上の測定を、今回のVera Rubin構成の実測値として使うことはできない。また、行列積が速くなっても、ベクトル演算や通信の比率が大きいプログラム全体で同じ倍率になるとは限らない。計算方式、入力の性質、許容誤差、アプリケーション全体の測定を並べて判断することが必要だ。

AIで置き換える範囲を決める

科学計算でのAI利用では、詳細なシミュレーションの近似を返すサロゲートモデルが一つの選択肢になる。多数の候補をまず軽い計算で絞り、重要な条件を従来の手法で詳しく調べる流れだ。NVIDIAも科学基盤モデルやAIを用いた解析を、精密なシミュレーションと併用する方向を示している。

ここからは編集部の考察だ。候補探索の回数が増えても、近似の苦手な領域を見落とすと研究の結論は弱くなる。学習に含まれない条件、境界付近の挙動、まれな現象については、別途検証が必要だ。「AIが次の実験を提案した」という記録と、「実験で仮説が確かめられた」という記録も分けたい。提案の効率と科学的な確証は、別々に評価する対象である。

基盤を選ぶ際には、まず現在のプログラムの処理時間を分解するとよい。行列計算、メモリー参照、通信、入出力、前処理のどこが支配的かを調べれば、GPU性能の向上が効く部分と、ソフトウェア改修が必要な部分が見えてくる。モデル学習だけを高速化しても、観測データの整理や結果確認に長い時間が残ることはある。

導入予定と稼働実績を混同しない

発表では、ドイツのLRZが導入するBlue Lion、米国のNERSCに置かれるDoudna、Los AlamosのMission・Vision・Veritasなどが挙げられた。Blue Lionは2027年の稼働を予定する。Vera Rubin NVL4を使うメーカー各社のシステムについては、2026年第4四半期の提供予定と説明された。発表時点の計画を、すでにすべて稼働している事実として扱うべきではない。

また「TOP500級」という表現も、正式なランキング順位の獲得とは区別したい。研究機関が必要とするのは、自分たちの問題を所定の精度、時間、電力、費用で解けるかという情報だ。既存コードとの互換性、ライブラリーの更新、冷却設備、運用要員まで含めた検討が欠かせない。

日本の大学や企業研究所で比較するなら、再現可能な小規模の評価問題を先に固定する方法が考えられる。同じ入力、同じ許容誤差、同じ出力確認の条件で、従来計算のみ、AIによる候補選別との併用、異なる計算基盤を比較する。速くなった理由を説明できれば、別の研究テーマへ適用できる範囲も判断しやすい。

共通基盤が増やす選択と依存

計算とAIの環境がまとまることは、研究者が複数の仕組みを組み立てる負担を減らしうる。一方で、特定のライブラリーや実行環境への依存も増える。データ形式、モデルの保存方法、検証プログラムを移せるかを確認しておくことは、長く使う研究基盤の選択に直結する。

予算の議論でも、購入価格だけの比較は不十分だ。既存コードの移植、再学習、データ転送、障害復旧、実験の再現までを含めて考える必要がある。AIが研究の探索を助けるなら、その効果は「生成した候補の数」ではなく、検証を経て得られた有用な結果と研究者の作業時間で確かめたい。

Vera Rubinの発表が示したのは、GPUの速さを競う話に加え、科学の仕事を一つの計算環境で連続させる構想である。実用性を判断する出発点は、派手な最大値よりも、各研究の計算特性と検証方法にある。業務や研究支援へのAI導入設計については、運営会社のRO合同会社も相談窓口を設けている。

参考報道：イノベトピア。本稿の製品構成と導入予定はNVIDIAの発表に基づき、導入時の評価方法は編集部の考察として記した。