Press release

機械学習・深層学習を活用したファナックのAI新機能

ファナック株式会社(以下ファナック)は株式会社Preferred Networks(以下PFN)と共同で、機械学習・深層学習を活用した新たなAI機能を開発、リリース致します。

 

FA:AIサーボモニタ(Level 4:深層学習)

 

工作機械の送り軸や主軸の突然の故障による機械停止は、加工ラインの長時間停止などの大きな問題につながります。これを防止するためには、故障する前に送り軸や主軸の異常の兆候を知る必要があります。

機械の送り軸や主軸の状態を知るため、その制御データを高速サンプリングして収集し、これに深層学習を適用して異常度を提示する、AIサーボモニタ機能を開発致しました。

AIサーボモニタでは、正常動作中にモータのトルクデータを入力として学習することによりその特徴量を取り出し、正常な状態を表現する学習モデルを作成します。その後、実稼働中に得られるトルクデータを入力として正常な状態と比較し、「異常度」を算出、提示します。機械のオペレータは、この異常度を監視することで、送り軸・主軸の異常の兆候を加工現場で知ることができます。

AIサーボモニタにより送り軸や主軸の「壊れる前に知らせる」を実現し、故障前のメインテナンスが可能となり、機械稼働率向上に貢献します。

出荷開始予定時期:2019年7月

 

ロボット:AI良否判定機能(Level3: 機械学習)

 

ファナックとPFNは、ロボットが機械学習を用いて対象物を検査する「AI良否判定機能」を新たに開発しました。

本機能では、ロボットが対象物のOK画像・NG画像に基づく良否を判定します。溶接したナットや組み付けた部品の有無を確認したり、部品の表裏が正しく組み付けられているかといった、生産工程での確認作業を、外付けのPCを使わず、ロボット制御装置の内蔵ビジョンで行うことができます。

従来のビジョン機能で部品の組み付け結果を確認する場合、あらかじめ教えた部品の形状と位置を検出し、「検出できれば対象物がある」「検出できなければ対象物がない」と見なす手法が取られていました。この手法では、対象物の周辺に溶接スパッタや煤が残っていたり、金属反射によるハレーションなどで対象物を見つけにくくなると、物があってもNG判定となってしまうことが多く、ビジョンの設定に熟練を必要としていました。

「AI良否判定機能」では、物の形状と位置を見つけるのではなく、機械学習を用いて画像から良否を判定するため、対象物の周辺状況やハレーションによる変動に強い、ロバストな検査工程を実現できます。また、ビジョンパラメータの細かいチューニングを必要とせず、OKとNGの画像をデータセットとして数枚~数十枚学習させるだけで、簡単に高い精度の判定を行うことができます。

 

出荷開始予定時期:2019年8月

 

 

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川徹

「止まらない工場の実現に向け、予防保全、異常検知は、必ず解決しなければならない課題であり、機械学習・深層学習技術が大きく貢献できる部分だと考えています。

これからも、より広い領域に機械学習・深層学習を適応した賢いロボット、賢い工作機械の市場導入を加速させ、モノづくりの現場に新しい価値を提供していきます。」

深層学習の初心者向けに、日本語の オンライン学習資料「ディープラーニング入門:Chainer チュートリアル」を無料公開

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、深層学習の初心者向けに、オープンソースの深層学習フレームワークChainerTM(チェイナー)の使い方などを解説する、日本語のオンライン学習資料「ディープラーニング入門:Chainer チュートリアル」(以下、Chainer チュートリアル)を無料公開しました。深層学習の基礎から実践まで、Chainer を使いながら、コーディングと理論を一緒に学んでいくことが可能です。

Chainer チュートリアルは、機械学習や深層学習に興味があり、その仕組みや使い方を理解したいと考えている大学生や社会人の方に向けて書かれた深層学習の初心者向けオンライン学習資料です。大学の授業や企業研修、商用セミナーなどで広く利用されることを想定し、誰でも無料で使用することが可能です。

機械学習の勉強を進めるために必要な数学の基礎から、Python というプログラミング言語を用いたコーディングの基本、機械学習・深層学習の基礎的な理論、画像認識や自然言語処理などに機械学習を応用する方法に至るまで、幅広いトピックを解説しています。

深層学習を学ぶために必要となる前提知識からステップを踏んで解説することで、深層学習を初めて学ぶ人でも挫折せず進められるよう工夫され、このChainer チュートリアルだけで必要な知識を一通り得ることができます。

また、本チュートリアルでは、Google Colaboratory※1を利用することで、資料の中に登場するコードをそのままブラウザ上で実行できます。ブラウザだけでコードを書き、実行して、結果を確認できるので、説明に使われたサンプルコードを確かめるために、手元のコンピュータで環境構築を行う必要はありません。

 

  • ディープラーニング入門:Chainer チュートリアル URL https://tutorials.chainer.org

  • コンテンツ(2019年4月10日公開時点)

【Step1 準備編】

  1. はじめに
  2. Python 入門
  3. 機械学習に使われる数学
  4. 微分の基礎
  5. 線形代数の基礎
  6. 確率・統計の基礎

 

【Step2 機械学習とデータ分析入門】

  1. 単回帰分析と重回帰分析
  2. NumPy 入門
  3. scikit-learn 入門
  4. CuPy 入門
  5. Pandas 入門
  6. Matplotlib 入門

 

【Step3 ディープラーニング入門】

  1. ニューラルネットワークの基礎
  2. Chainer の基礎
  3. Chainer の応用
  4. トレーナとエクステンション

 

今後は応用編として、Step4 画像認識、Step5 自然言語処理、Step6  深層強化学習、Step7 デプロイを追加していく予定です。

PFNはこれからも最先端の深層学習技術の研究開発をおこなうとともに、すべての人が技術の可能性と課題を正しく理解するための学習コンテンツの制作、情報発信を継続していきます。

 

※1:Google Colaboratory は、Jupyter Notebook というブラウザ上でコードを書き、その場で実行結果を確認したり、Markdown と呼ばれる文章を記述するためのマークアップ言語を使ってメモや解説などを書くことができ、LaTeX 形式の数式もきれいにレンダリングして表示することができる、オープンソースのウェブアプリケーションです。

 

  • オープンソースの深層学習フレームワークChainerTMについて

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)/ChainerUI(学習ログの可視化)/Chainer Chemistry(化学、生物学分野のための深層学習ライブラリ)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。(http://chainer.org/

 

Preferred Networks Creative Project: キャラクター生成プラットフォームCrypkoの技術提供を開始

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、PFN Creative Projectの一環として、キャラクター生成プラットフォームCrypko™️(クリプコ)の技術提供を開始します。

Crypkoは、深層学習技術を活用したWebサービスとして2018年5月にベータ版が公開され、多くの反響を受けながら、2019年3月に一般向け公開を終了しました。今後はPFNで研究開発を継続し、まずはアニメーション、イラスト、ゲーム等の制作企業向けに技術提供していきます。

Crypkoは最先端の深層学習技術により、高品質なキャラクターを無限通りに生成することができます(動画1)。さらに複数のキャラクターを合成することで、それらの特徴を引き継いだ新しいキャラクターを生成することも可能です(図1)。

また、ブロックチェーン・スマートコントラクト技術を応用※1することで、キャラクターの生成・合成履歴や利用者との紐づけを管理し、1つ1つのキャラクターの価値を保証する仕組みを提供します。このような技術を組み合わせることで、Crypkoプラットフォーム上で、世界に1つしかないキャラクターを生成することができます。

 

動画1 キャラクターの生成例

 

図1 キャラクターの合成例

 

PFNは今後もアニメーション、イラスト、ゲーム等の分野に深層学習技術を積極的に応用し、クリエイティブ領域の技術革新に貢献していきます。

 

※1  Crypkoではブロックチェーン上にキャラクターの生成や合成、交換といった取引データを記録することで、取引データをネットワーク上に公開することができます。そのデータは、Crypkoの参加者全員が取引記録の正当性を検証し、参加者全員の合意によって有効化されます。処理データはネットワーク上で多くの分散されたノードで保管されることで、一部のノードでデータの改ざんが行われてもネットワーク全体の記録まで改ざんすることは極めて困難となり、不正が難しいとされています。

NVIDIA GPUなどの最新技術を採用した プライベート・スーパーコンピュータ MN-2 を自社構築し、7月に稼働

MN-1、MN-1b、MN-2合計で約200※1ペタフロップス※2の計算資源を保有

株式会社 Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、プライベート・スーパーコンピュータ MN-2(エム・エヌ・ツー)を自社構築し、2019年7月に稼働します。

MN-2は、NVIDIA(R) V100 Tensor コア GPUを搭載した最新のマルチノード型GPGPU※3計算基盤で、すでにPFNが保有するプライベート・スーパーコンピュータMN-1(2017年9月稼働)、MN-1b(2018年7月稼働)と合算して、PFNは合計約200 ペタフロップスの計算資源を保有することになります。またMN-2の構築に並行して、PFNが独自開発するディープラーニング・プロセッサ MN-Core(TM) によるプライベート・スーパーコンピュータ MN-3を2020 年春に稼働予定です。

PFNは継続的に計算資源に投資することで、深層学習の研究開発および関連技術の実用化を加速し、世界的な開発競争における優位性を確保していきます。

 

MN-2の完成イメージ

 

  • PFNの次期プライベート・スーパーコンピュータ MN-2(エム・エヌ・ツー) の概要

PFNは、2019年7月より、最新CPUを5,760CoreとNVIDIA V100 Tensor コアGPUを1,024基搭載した MN-2を稼働します。MN-2は、国立研究開発法人海洋研究開発機構 横浜研究所 シミュレータ棟内に構築され、2020年稼働予定のMN-3と同一サイト内で連携稼動し、さらに、現在稼働中のMN-1およびMN-1bとも閉域網で接続されます。MN-2の理論上のピーク性能は、深層学習で利用される混合精度浮動小数点演算において約128ペタフロップスであり、MN-2のみでMN-1bの2倍以上のピーク性能となります。

MN-2のGPUノード間インターコネクトは、RoCEv2※4の採用に併せて1ノードあたり100ギガビットイーサネットを4本搭載し、PFN独自のチューニングを行うことで、マルチノードの高速処理を実現します。同時に総容量10PBを超えるソフトウェア・デファインド・ストレージ※5を独自に構築して機械学習時のデータアクセスを最適化することで、学習の高速化を図ります。

PFNはこのMN-2の上でオープンソースの深層学習フレームワークChainer(TM)(チェイナー)を活用し、大量の計算資源を必要とするパーソナルロボット、交通システム、製造業、バイオ・ヘルスケア、スポーツ、クリエイティブ分野での研究開発をより一層加速させます。

 

株式会社Preferred Networks 執行役員 システム担当VP 秋葉 拓哉のコメント

我々はこれまでも、最先端のNVIDIA GPUを用いた大規模データセンターを活用し、ディープラーニングとその応用に関する研究開発を行ってきました。高い計算力はディープラーニングの研究開発を支える大きな柱の1つです。今回NVIDIA V100を1,024基搭載したMN-2を構築することで、研究開発をさらに加速することができると確信しています。

エヌビディア合同会社 日本代表 兼 米国本社副社長 大崎 真孝 様のコメント

Preferred Networksが、現在運用中のMN-1およびMN-1bに加え、最先端のデータセンター向けGPUであるNVIDIA V100 を採用したMN-2を構築されることを歓迎いたします。超高速なGPU間通信を実現するNVLINKを搭載した、NVIDIAのフラグシップGPUにより、ディープラーニングおよび関連技術の研究開発がより一層加速され、世界をリードする成果が生まれることを心より期待しております。

 

※1:MN-1は半精度浮動小数点演算能力、MN-1bおよびMN-2は混合精度浮動小数点演算能力。混合精度浮動小数点演算は、複数の精度の浮動小数点演算を組み合わせて利用する方式のこと。

※2:コンピュータの処理能力を表す単位の一つ。peta (ペタ) は1,000兆(10の15乗)、FLOPS (フロップス) は1秒間に行える浮動小数点演算の回数を表すので、1ペタフロップスは毎秒1,000兆回の浮動小数点演算を行えることを意味する。

※3:General-purpose computing on GPU(GPUによる汎用計算)

※4:RDMA over Converged Ethernet。遠隔ノード間での直接メモリアクセス (RDMA) を実現するネットワークプロトコルの一つで、イーサネット上で低遅延・高スループットを実現する方式

※5:分散するデータストレージの使用効率を高めるためソフトウェアにより一元管理されたストレージシステム

 

*MN-Core(TM)、Chainer(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

本社周辺に「メカノ工房」を開設。ロボットハンドの試作や、シミュレーション結果を 実機で迅速に検証するためのラピッドプロトタイピング環境を整備

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、本社のある東京・大手町にメカノ工房を開設し、ロボットハンド等の試作と検証を迅速に行えるラピッドプロトタイピング環境を整備します。これにより、ソフトウェアとハードウェア両面からロボット関連の研究開発を進め、新しい技術の実用化を加速させます。

機械学習・深層学習技術の発展は、認識・制御などにおいて、ロボティクス分野のソフトウェアに劇的な進化をもたらしています。このソフトウェアの可能性を最大限に引き出すため、PFNは本社周辺に、ロボット向けハードウェアの試作や検証を迅速に行うためのラピッドプロトタイピング環境、メカノ工房を開設しました。コンピュータ上のシミュレーションと実機の動作環境は異なるため、メカノ工房において短期間で実機を試作、実環境で動作検証し、そして改善するというサイクルを高速化することで、ハードウェア開発にソフトウェア開発のスピードを取り込むことを目指しています。また、ソフトウェアエンジニアとハードウェアエンジニアがお互いの領域を身近に学びあえる環境を整えることで、新たな技術革新につなげる狙いがあります。

PFNは機械学習・深層学習技術を実世界に応用することを目指し、オープンソースの深層学習フレームワーク Chainer (TM) や、深層学習に特化したプロセッサー MN-Core (TM)の研究開発を行っています。中でも注力事業の一つであるロボティクス分野では、ファナックとの協業による工作機械・ロボットの知能化、および自社開発による全自動お片付けロボットシステムなどのパーソナルロボットの実用化を進めており、メカノ工房では各製品群に適合するロボットハンド、アタッチメント、実験器具などの試作、検証を行う予定です。

写真:メカノ工房内部

メカノ工房に導入済みまたは導入予定の主な工作機械は次の通りです。

  • 5軸マシニング
  • 3軸マシニング
  • NCフライス
  • 汎用旋盤
  • カーボン3Dプリンタ
  • 樹脂積層3Dプリンタ
  • 光造形3Dプリンタ

 

PFNは今後も、ソフトウェアとハードウェアのエンジニアがそれぞれの専門領域を学びあい、知識と技術を高めていける環境の整備をしていきます。これにより、ソフトウェアとハードウェア双方の進化を推進し、新しい技術の実用化を加速していきます。

「未来の学び プログラミング教育推進月間」協力企業として、小学生向けに、プログラミング体験を含めた学習指導案の作成に協力。 全自動お片付けロボットシステムを題材にしたビデオ教材を制作・配信

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、未来の学びコンソーシアムが進める「未来の学び プログラミング教育推進月間」に向け、全国の小学校の総合的な学習の時間におけるプログラミング体験を含めた授業の学習指導案「自動化の進展とそれに伴う自分たちの生活の変化を考えよう」の作成に協力しています。また、PFNが開発する全自動お片付けロボットシステムを題材にしたビデオ教材を制作し、提供します。

「未来の学びコンソーシアム」を連携して運営する文部科学省、総務省、経済産業省の3省は、2020年の小学校プログラミング教育必修化に向け、2019年9月に「未来の学び プログラミング教育推進月間」を設定しています。全国の小学校に対して、月間中にプログラミングの授業に取り組んでみるよう呼びかけ、小学校におけるプログラミング教育の実施に向けた準備を推進しています。

PFNは創業者の西川徹、岡野原大輔をはじめ、社員の約90%がエンジニア・リサーチャーであり、その多くが小学生・中学生のころからコンピューターに慣れ親しんできました。小さい頃からプログラミングの楽しさを知る機会をもつことで、次の世代の誰もがソフトウェアに興味を持ち、将来社会のあらゆる場で活躍している、そんな社会の実現を願い、今回PFNも教材の制作、提供に協力しています。

 

  • PFNの教材を使ったプログラミングを含む学習指導案の概要

「自動化の進展とそれに伴う自分たちの生活の変化を考えよう」

https://mirapro.miraino-manabi.jp/lp_pfn.html
(未来の学び プログラミング教育推進月間 特設サイト内)

人々の生活を便利にする機械による自動化の仕組みを調べる。また、簡単なプログラミングを通して、自動化システムの開発・運用を体験する。これらの活動により、社会に貢献できる職業があること、自動化システムを開発する方々の思いに気づき、自分たちの生活における自動化技術を見直し、現在や将来の生活でどのように生かすことができるか考えよう。

  1. 自動化される仕事と、私たちの生活
  2. 自動じゃんけん器プログラミング体験と、自動化の可能性

 

PFNが開発する全自動お片付けロボットシステムを題材にしたビデオ教材は、本年9月までに制作し、配信する予定です。そのビデオ教材の一部をサンプル動画として公開しました。

また、PFNがプログラミング教材に込めた思いについて、PFNフェローの丸山宏がブログを書きました。
https://research.preferred.jp/2019/02/primary_education_maruyama/

 

  • 未来の学び プログラミング教育推進月間について

2020年の小学校プログラミング教育必修化に向けた準備を推進するため、文部科学省、総務省及び経済産業省では、2019年9月を「未来の学び プログラミング教育推進月間(通称:みらプロ)」と設定しています。全国の小学校にて総合的な学習の時間等でプログラミング体験を取り入れた授業を実施するように呼びかけ、必修化に向けた機運を醸成することを目的とし、17社の民間企業が協力企業として参加しています。各企業の最先端の取り組みを知り、プログラミング体験で理解を深め、児童が各自の課題に探究的に取り組める活動を応援するための指導案とビデオ教材などを提供します。 (https://mirapro.miraino-manabi.jp/

日本メディカルAI学会公認資格 「メディカルAI専門コース」のオンライン講義資料を作成し一般公開

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、日本メディカルAI学会公認資格(以下、メディカルAI専門コース)のオンライン講義資料を作成し、無料で一般公開しました。

 

一般社団法人日本メディカルAI学会は、医療および人工知能に関する技術およびその応用の研究を行うための場として2018年に設立されました。現在、PFNの岡野原大輔およびPreferred Networks America, Inc. の大田信行が理事を務めています。

メディカルAI学会では当該分野の研究を発展させ、国際競争力を高めることを目的にメディカルAI専門コースを開設しました。このコースは、機械学習の基礎から応用について学ぶオンライン講義、医学の専門知識を学ぶオフライン講義、および小テストで構成され、医療で人工知能技術を使う際に最低限必要な知識や実践方法を学ぶことができます。

PFNは、このオンライン講義で用いられる講義資料の作成を行いました。(資料の一部は株式会社キカガクの協力を得て執筆されています。)この資料はウェブ上で無料公開され、メディカルAI専門コース受講者でなくても誰でも利用することができます。また、オンライン講義では機械学習・深層学習を行うためのプログラムコードを実際に実行しながら学べるよう、Google Colaboratory上で動作確認されたJupyter Notebookの形式で公開しています。Google Colaboratoryを用いることでGPUを使った学習を無料で体験することができます。

 

  • 日本メディカルAI学会公認資格:メディカルAI専門コースについて

オンライン講義資料は全8章からなり、機械学習に必要な数学の基礎から、深層学習フレームワークChainer™ を使った実践的な深層学習プログラミングのやり方までを、解説文とソースコードを合わせて說明しています。目次は次の通りです。

  1. 機械学習に必要な数学の基礎
  2. 機械学習ライブラリの基礎
  3. ニューラルネットワークの基礎
  4. Deep Learningフレームワークの基礎
  5. 実践編: MRI画像のセグメンテーション
  6. 実践編: 血液の顕微鏡画像からの細胞検出
  7. 実践編: ディープラーニングを使った配列解析
  8. 実践編: ディープラーニングを使ったモニタリングデータの時系列解析

 

 

メディカルAI専門コース オンライン講義資料の作成に関して、Preferred Networks Research Blogを投稿しましたので、詳細はこちらをご覧ください。

https://research.preferred.jp/2018/12/medical-ai-course-materials/

 

PFNは今後も、医療分野において深層学習技術の応用を進め、メディカルAI研究の発展に貢献していきます。

 

  • 関連リンク

日本メディカルAI学会:https://www.japan-medical-ai.org/

株式会社キカガク:https://www.kikagaku.co.jp/

深層学習フレームワークChainer:https://chainer.org/

Preferred Networks Creative Project:MotionChainer、DesignChainerを開発。アニメーション映画『あした世界が終わるとしても』に技術提供

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、深層学習技術の実世界への応用を目指し、PFN Creative Projectとして、2019年1月25日公開のオリジナル劇場長編アニメーション映画『あした世界が終わるとしても』の製作委員会に参画しています。本作品の制作にあたり、PFNは深層学習技術を活用したソフトウェアDesignChainer™(デザイン・チェイナー)とMotionChainer™(モーション・チェイナー)を開発し、技術提供しました。

 

  • DesignChainerについて

デザインワークには様々な手法があり、抽象化もその1つです。DesignChainerは、深層学習により入力画像を再解釈し、抽象化します。抽象的なベクトルや特徴量を抽出し、さらにそれを人間が操作、変更することで、抽象化の度合を変化させ、入力画像と異なる表現に再構成することが可能です。今回、作品に登場するキャラクター『アルマティック』のデザインに活用されています。

©あした世界が終わるとしても

(左)アルマティックの頭部のデザイン画 (右)ニューラルネットワークによる抽象化

 

 

  • MotionChainerについて

大勢の人々の動き(モーション)を生成する仕組みを群衆システムと呼びます。アニメーションの中で、群衆が動くシーンを作成するには、これまで膨大な工数が必要でした。MotionChainerは、深層学習を用いることにより、1人1人の人物の動きをプログラムに記述しなくても自然な群衆の動きを自動生成することが可能です。

このシステムを使うことで、1000体超の人物のモーションを簡単に生成することができます。

 

PFNは今後もイラスト、マンガ、アニメーション等のクリエイティブ分野に深層学習技術を積極的に応用し、クリエイティブ分野の技術革新を進めていきます。

 

  • 関連リンク

Preferred Networks Creative Project  https://projects.preferred.jp/creative/ashitasekaiga

映画『あした世界が終わるとしても』 https://ashitasekaiga.jp/

 

* DesignChainer™およびMotionChainer™は、株式会社Preferred Networksの日本国またはその他の国における商標または登録商標です。

深層学習に特化した ディープラーニング・プロセッサー MN-Coreを発表。2020年春、MN-Coreによる大規模クラスターMN-3を稼働予定

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、深層学習に特化したディープラーニング・プロセッサー MN-Core (TM) (エムエヌ・コア)を発表します。東京ビッグサイトで開催中の SEMICON Japan 2018において、MN-Coreチップ、ボード、サーバーなど、PFNが独自開発した深層学習向けのハードウェアを展示します。

PFNは、深層学習の実世界への応用を目指し、オープンソースの深層学習フレームワークChainer (TM)(チェイナー)の開発や、研究開発を支える大規模GPUクラスターMN-1(エムエヌ・ワン)、MN-1b(エムエヌ・ワン・ビー)の構築を進めてきました。これらを活用した大規模な分散深層学習により、自動運転、ロボットの高度化、がん診断などの分野で研究開発を加速させ、実用化に向けた取り組みを強化しています。

現在PFNでは、深層学習の「学習」フェーズの高速化に向け、深層学習の特徴である「行列演算」に最適化した専用チップMN-Coreを開発しています。MN-Coreは、近年のチップ開発で特に重要視される電力性能(消費電力あたりの演算性能)において、世界最高クラスの1 TFLOPS/W(半精度)を実現できる見込みです。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す。

  • MN-Coreチップのスペック
    • 製造プロセス : TSMC 12nm
    • 消費電力 (W、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 / W、予測値) : 0.066 (倍精度)/ 0.26(単精度) / 1.0(半精度)

https://projects.preferred.jp/mn-core/

今後、より複雑な未解決課題に取り組んでいくには、深層学習の学習済みモデルの精度と演算速度をさらに向上させる必要があり、継続的な計算資源の確保と効率化が重要になります。PFNでは、2020年春の稼働に向け、MN-Coreによる新しい大規模クラスターMN-3を構築する予定です。1000 nodeを超える専用サーバーからなるMN-3の計算速度は、最終的に2 EFLOPSまで拡大することを目標にしています。

MN-3以降では、それぞれ得意分野の異なるMN-CoreとGPGPU(General-purpose computing on GPU;GPUによる汎用計算)を組み合わせて利用することで、より効率的な計算環境の構築を目指します。

PFNは、深層学習フレームワークChainerにおいて、MN-Coreをバックエンドとして選択できるように開発を進め、ソフトウェアとハードウェア両方向からのアプローチにより、深層学習によるイノベーションを推進していきます。

MN-Coreをはじめ、自社開発した深層学習向けハードウェアは、SEMICON Japan 2018のPFNブースに展示します。

  • SEMICON Japan 2018  PFN展示ブースについて

 

* MN-Core (TM) およびChainer (TM) は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

機械学習向けハイパーパラメータ自動最適化フレームワーク Optuna (β版)をオープンソースソフトウェアとして公開

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、オープンソースのハイパーパラメータ自動最適化フレームワークOptuna™(オプチュナ)のβ版を公開しました。

機械学習、深層学習において、アルゴリズムの挙動を制御するハイパーパラメータの調整は不可欠です。特に深層学習は、学習率やバッチサイズ、学習イテレーション数、ニューラルネットワークの層数、チャンネル数といった様々なものがハイパーパラメータとなり、その数が多い傾向がある上に、その調整がモデル精度を大きく左右します。また、深層学習を用いる多くの研究者・エンジニアは、かなりの時間を費やしてハイパーパラメータを手動で調整しているのが現状でした。

Optunaは、ハイパーパラメータの値に関する試行錯誤を自動化し、優れた性能を発揮するハイパーパラメータの値を自動的に発見します。オープンソースの深層学習フレームワークChainer™をはじめ、様々な機械学習ソフトウェアと一緒に使用することが可能です。

 

 

Optunaの主な特長は次の通りです。

  • Define-by-Run スタイルの API

高いモジュール性を保ったまま複雑なハイパーパラメータの最適化が可能

 

  • 学習曲線を用いた試行の枝刈り

反復アルゴリズムが学習に用いられる場合、学習曲線から学習結果を予測。良い結果が見込まれない試行を早期終了し、最適化を効率化

 

  • 並列分散最適化

複数ノードを用い複数の試行を同時に行う非同期分散最適化をサポート

 

Optuna は、物体検出コンペティションGoogle AI Open Images 2018– Object Detection Trackなど、既にPFNの各プロジェクトで活用され、成果をあげています。PFNは今後もOptunaの開発を活発に続け、先進的な機能の試作・実装を精力的に進めていきます。

 

 

*Chainer™ およびOptuna™は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

N次元配列の自動微分をC++で実装したChainerXをリリース。Chainer v6(β版)に統合し、計算パフォーマンスを向上

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer™(チェイナー)v6に、N次元配列の自動微分をC++で実装したChainerX(チェイナー・エックス)を統合してリリースします。Chainer v6では、v5までのコードをほとんど変更することなくそのまま動作させることが可能です。

Chainerは2015年のオープンソース公開以来、現在に至るまで活発に開発が続けられ、フレキシブルで直感的な深層学習フレームワークのパイオニアとして、多くのユーザーに使われてきました。その後、多くの深層学習フレームワークがChainerと同じDefine-by-Run方式を採用したことからも、Chainerの先見性は証明されています。一方、ChainerがPure Python実装にこだわってきたことは、コードの可読性やシンプルさに貢献していたものの、パフォーマンスが向上するに従ってPython実行系自体が持つオーバーヘッドが全体の実行時間に占める割合が相対的に増え、ボトルネックとなりつつありました。

今回、C++製のChainerXをChainer本体に統合してリリースすることは、多くのユーザーから見たChainerのフレキシブルさや後方互換性をほとんど失うことなく、より高いパフォーマンスを実現する方向への第一歩となります。

 

ChainerXの主な特長は次の通りです。

  • Pythonと密に結合した実装で、Pythonによる記述の割合も大きかったNumPy、CuPy™および自動微分(autograd)をC++で実装

行列計算や画像の畳込みなどの演算、および誤差逆伝播のロジックをすべてC++で実装することにより、PythonによるCPUオーバーヘッドを最大 87% 削減(脚注:オーバーヘッドのみを計測した場合の比較)

 

  • CPU、GPU、その他のハードウェアのバックエンドにも簡単に対応可能

バックエンドを差し替え可能とすることでデバイス間の移植性が向上

 

図:NumPy/CuPy に相当する多次元配列実装に Define-by-Run 方式の自動微分機能を加えた範囲を ChainerX が新たにカバーする。

 

 

ChainerXは今後性能向上やバックエンドの拡充とともに、ChainerXで記述したモデルをPython以外の環境からも呼び出せるよう開発を進める予定です。

なお、ChainerXの詳細は、カナダ・モントリオールで12月開催予定の機械学習のトップカンファレンスNeurIPS(旧名NIPS)において、開発者の得居誠也が発表する予定です。

12月7日12:50-02:55 Open Source Software Showcase

http://learningsys.org/nips18/schedule.html

 

Chainerの開発は、外部コントリビュータの開発成果を数多く取り入れています。PFNは今後も、最新の深層学習研究の成果を迅速に取り入れ、サポート企業やOSSコミュニティと連携しながらChainerの開発・普及を推進してまいります。

 

  • オープンソースの深層学習フレームワークChainerについて

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)/ChainerUI(学習ログの可視化)/Chainer Chemistry(化学、生物学分野のための深層学習ライブラリ)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。(http://chainer.org/

 

*Chainer™ およびCuPy™は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

三井物産とPreferred Networks、深層学習技術を用いたがん診断をはじめとする、バイオ・ヘルスケアソリューションを提供する合弁会社の設立に合意

三井物産株式会社(本社:東京都千代田区、代表取締役社長:安永竜夫、以下、三井物産)と株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川 徹、以下、PFN)は、深層学習技術を用いたバイオ・ヘルスケアソリューションを米国において事業化することを目指し、合弁会社(以下、新会社)を設立することに2018年11月15日付で合意しました。なお、新会社の最高経営責任者には、Preferred Networks America, Incの最高執行責任者を務める大田信行が就任します。

近年、さまざまな分野において深層学習技術を活用したイノベーションが急速に進展しています。特に、バイオ・ヘルスケア分野への深層学習技術の活用は目覚ましく、創薬・診断・治療などにおいて技術革新が期待されています。

今後、深層学習技術を駆使したバイオ・ヘルスケアソリューションの世界的な市場拡大が見込まれる中、PFNが注力領域の一つとして取り組んできたがん診断技術に、三井物産がグループとして保有するネットワーク、病院グループ、ヘルスケア関連事業資産やパートナーを掛け合わせることで、社会実装を加速させます。

新会社設立後、深層学習技術を活用したバイオ・ヘルスケアソリューションの研究開発及びがんの先制医療の事業化に向け協創を進め、両社にて社会課題の解決を目指します。

 

三井物産株式会社
代表取締役副社長執行役員 田中 聡のコメント

「弊社新中期経営計画の中で成長分野と位置付けたヘルスケア領域において、深層学習技術におけるリーディングカンパニーたるPFN社と共に、革新的技術を用いた海外での事業開発・実用化を推進できることを大変うれしく感じています。」

株式会社Preferred Networks
代表取締役社長 最高経営責任者 西川 徹のコメント

「PFNは医療分野への深層学習技術の応用を目指し、2014年より研究開発を続けてまいりました。今回、この研究成果を活かした取り組みの一つとして、三井物産と米国においてがん診断を含む新たな取り組みをスタートできることを大変うれしく思います。」

株式会社Preferred Networks America, Inc.
最高執行責任者 大田 信行のコメント

「深層学習によるがん診断技術を早期に実用化し、がんの先制医療を確立させて、世界中のがんで苦しむ人々をできる限り少なくできるように努めてまいります。」

 

合弁会社の概要(予定)

会社名 Preferred Medicine, Inc.
所在地 330 Primrose Rd Burlingame, CA USA
設立年月 2018年11月
CEO 大田 信行(Nobuyuki Ota)
資本金 100万米ドル (出資比率 三井物産:50.0% PFN:50.0%)
事業概要 深層学習などの機械学習技術を活用したがん診断を中心とする、
バイオ・ヘルスケアソリューションの開発・運営

Preferred NetworksとPFDeNAが、深層学習技術を用いて少量の血液でがん14種を判定するシステムの共同研究を開始

2021年を目標に社会実装し、がんの早期発見・健康寿命延伸を目指す

株式会社Preferred Networks(代表取締役社長: 西川 徹、以下PFN)と株式会社ディー・エヌ・エーとPFNの合弁企業である株式会社PFDeNA(代表取締役社長:守安 功、以下PFDeNA)は、深層学習技術を活用し、少量の血液で14種類のがん※1を早期発見する検査システムの研究開発を開始します。

 

本研究では、国立がん研究センター(以下 NCC)にて、提供者の同意を得て研究用に収集された血液検体(以下 NCCバイオバンク検体)、ならびに臨床情報を用いて開発を行います。PFDeNAは、このNCCバイオバンク検体を個人が特定されない形で取扱い、次世代シーケンサー※2を用いてExRNA※3発現量を計測します。PFNは、計測されたExRNAの発現量と臨床情報を用いて、深層学習によって学習・評価・解析します。これにより、血液中のExRNAの発現量を元に14の種類別にがんの有無を高精度に判定できるシステムの実用化を目指します。

 

社会的背景

がんは、日本人の死因の第1位となっており、その死亡者数は年間37万人を超え、増え続けています。日本人の2人に1人ががんを患い、死亡した人のうち3.6人に1人ががんによって亡くなっている状態です。*

その一方で、がんは早期発見することが重要にもかかわらず、日本国内の各種がん検診の受診率は3割程度と、先進国の中でも低水準にとどまっています。がん検診は、がんの種類により異なる検査方法で体の部位・臓器それぞれを検査する必要があり、その精度のばらつきや、検診費用、身体的負担などが課題となっています。

そのような中、近年ではmiRNA※4を含むExRNAの遺伝子発現量に着目した研究が多数報告され、各臓器のがんに特徴的に発現するmiRNAが存在していることがわかってきました。がんに罹患すると体液中で発現しているmiRNAの種類や量が変動するため、簡単に採取できる血液などを使ったがん診断が期待されています。

 

今後について

本研究の成果は、PMDA※5の承認審査を経る等した上で、2021年を目標に社会実装(事業化)を行い、広く活用されていくことを目指します。

これにより各種がん検診において、少量の血液採取で14種のがんの早期発見ができるようになり、高精度かつ患者負担が少ないがん検査が普及することが期待されます。将来的には日本国内におけるがん検診の受診率の向上、がんの早期発見による死亡率の低減、健康寿命の延伸、医療費の削減に貢献していきます。

 

※1 14種のがん: 胃がん、大腸がん、食道がん、膵臓がん、肝臓がん、胆道がん、肺がん、乳がん、卵巣がん、子宮頸がん、子宮体がん、前立腺がん、膀胱がん、腎がんが本研究の対象。

※2 次世代シーケンサー: DNAの塩基配列を並列的に高速に読み出せる装置

※3 ExRNA: 本研究で示すExRNAとは、血液などの体液中に存在するRNAのことで、本研究においては主にmiRNA(マイクロRNA)を指す。miRNA は様々な生命活動の調節に寄与しており、診断用のバイオマーカーとして応用が期待されている。

※4 miRNA: 遺伝子発現を調整する効果を持つ20塩基程度のリボ核酸

※5 PMDA: 独立行政法人医薬品医療機器総合機構のこと。医薬品や医療機器などの品質、有効性および安全性の承認審査を行う機関。 https://www.pmda.go.jp/about-pmda/outline/0001.html

 

*出典:「平成 29 年(2017) 人口動態統計月報年計(概数)の概況」(厚生労働省)

オープンソースの深層学習フレームワークChainer および 汎用配列計算ライブラリCuPy の最新版となるv5をリリース

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer(TM)(チェイナー)および汎用配列計算ライブラリ CuPy(TM)(クーパイ) のメジャーアップデート版となるv5 をリリースしました。

6か月ぶりのメジャーバージョンアップとなる今回、これまで追加パッケージとして提供していたChainerMN(チェイナー・エム・エヌ、分散深層学習パッケージ)を統合し、より簡単に利用できるようになりました。最新版v5では、v4までのコードをほとんど変更することなくそのまま動作させることが可能です。

 

Chainer v5およびCuPy v5の主な特長は次の通りです。

  • 分散深層学習パッケージChainerMNを統合

・Chainerの一部として統合され、より簡単に、複数GPUによる高速な分散深層学習を実行可能

  • データ拡張ライブラリNVIDIA(R) DALI に対応

・JPEG画像のデコードやリサイズなどの前処理をGPUで処理することにより高速化

  • FP16をサポート

・ほとんどコードを変更することなくFP16モードに変更可能

・メモリ消費が減ることで、より大きなバッチサイズが使用可能

・NVIDIA(R) Volta GPUのTensor コアを使用することにより、さらに高速化可能

  • 最新のインテル(R) アーキテクチャに対応

・v4で導入されたChainer Backend for Intel(R) Architecture (旧iDeep)の最新版(Version 2)に対応し、インテル(R) プロセッサーでの学習および推論を高速化

  • 静的グラフに対する計算の高速化・省メモリ化

・学習を通して変化しない静的グラフをキャッシュすることで、その部分の計算やメモリ使用を最適化し、学習速度を20~60%高速化

  • CuPyが相互連携強化Anaconda Numba、PyTorchと相互に並列データを交換

・Anaconda NumbaによりJITコンパイルされた関数にCuPyの配列をダイレクトに渡すことが可能

・DLpack:PyTorchなどの他フレームワークと相互に配列データ交換可能

  • CuPyの基礎的な操作を50%高速化

・メモリ確保や、配列の初期化などの性能が向上

 

 

ChainerおよびCuPyの開発は、外部コントリビュータの開発成果を数多く取り入れています。PFNは今後も、最新の深層学習研究の成果を迅速に取り入れ、サポート企業やOSSコミュニティと連携しながらChainerとCuPyの開発・普及を推進してまいります。

 

 

  • オープンソースの深層学習フレームワークChainerについて

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)/ChainerUI(学習ログの可視化)/Chainer Chemistry(化学、生物学分野のための深層学習ライブラリ)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。(http://chainer.org/

CEATEC Japan 2018でパーソナルロボットシステムを初公開、全自動お片付けロボットシステムを展示

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、幕張メッセで開催されるCEATEC JAPAN 2018において、現在開発中のパーソナルロボットシステムの技術デモとして「全自動お片付けロボットシステム」を初公開します。

PFNでは、ロボットが身近な場所で活躍する社会の実現に向けて、パーソナルロボットの技術開発を進めています。工場などの規格化された環境と異なり、人間の生活空間で働くロボットには、複雑で変化する状況への柔軟な対応や、人との自然なコミュニケーションが求められます。

今回、PFNブース(A060)では、トヨタ自動車株式会社が開発する ”生活支援ロボットHSR(Human Support Robot)” を使い、従来の物体認識・ロボット制御技術では困難だった「散らかった部屋の全自動お片付け」のデモンストレーションを行います。ロボットが、乱雑に置かれた洋服、おもちゃ、文房具など、家庭にある様々な物体を認識してつかみ、所定の場所に片付けていきます。また、ロボットに対して人が口頭やジェスチャーで片付け指示を出すなど、直感的なコミュニケーションによるロボット操作もご覧いただけます。

全自動お片付けロボットシステムの詳細は特設ページをご覧ください。
https://projects.preferred.jp/tidying-up-robot/

この全自動お片付けロボットシステムは、CEATEC JAPAN 2018に展示されるイノベーション性が高く優れている技術・製品・サービス等を表彰する「CEATEC AWARD 2018」 において、インダストリ/マーケット部門の準グランプリに選ばれました。

  • PFN展示ブース

・期間:2018年10月16日(火)~19日(金)10:00~17:00

・展示エリア:トータルソリューションエリア  ホール2(ブース番号A060)

・展示内容:パーソナルロボットの技術デモ「全自動お片付けロボットシステム」(初公開)

 

また、開幕初日の基調講演CEATEC Keynote Futureに代表の西川徹が登壇し、「すべての人にロボットを」と題した講演を行います。講演では、PFNが注力する最先端の機械学習・深層学習技術とロボティクスを応用することで、実世界の課題をどのように解決するか、また、今後の技術の展望についてご紹介します。

  • 基調講演CEATEC Keynote Future

・日時:2018年10月16日(火)12:30~13:15

・会場:幕張メッセ 国際会議場 コンベンションホール

・講演者:株式会社Preferred Networks 代表取締役社長 CEO 西川徹

・講演概要:すべての人にロボットを

機械学習技術の発展により、ロボットの可能性は急速に拡大しています。様々な状況への柔軟な対応や、より人に近い作業をロボットが行うには、機械学習技術とロボティクスの融合が必要不可欠です。今後はより多くの場所で、人々がロボットの力を活用する場面が増えてくるでしょう。そのような新しいロボットの時代に、テクノロジーがどのように活用されうるのか、今の技術と今後の展望、そして私たちの新しい取り組みについて講演する予定です。

深層学習による高精度な外観検査ソフトウェアをリリース

圧倒的に少ない学習データで短期間・安価にシステムを構築可能

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、深層学習技術を使った高精度な外観検査ソフトウェアPreferred Networks Visual Inspection(プリファードネットワークス ビジュアル・インスペクション)を開発し、2018年12月よりパートナー企業へのライセンス提供を開始します。また、2018年10月18日(木)に、幕張メッセで開催されるCEATECの新製品セミナー(N3-5)にて製品発表を行います。

機械学習・深層学習技術の活用が広がり、製造現場の外観検査システムへの応用も進んでいます。しかし、深層学習技術を活用した外観検査システムは、数千枚単位の大量の学習用画像データや、画像処理エンジニアによる学習支援が必要な上、検査結果の説明性が乏しいなどの課題がありました。

PFNは、深層学習フレームワークChainer(TM)の開発や、重点事業領域とする交通システム、製造業、バイオヘルスケア分野への深層学習技術の応用によって蓄積した技術力・ノウハウを活かし、これまでの外観検査システムの課題を解決するPreferred Networks Visual Inspectionを開発しました。

  • Preferred Networks Visual Inspectionの特長
  1. 少量の学習データ(良品画像100枚と不良品画像20枚から)で検査ラインを短期立ち上げ
  2. 金属・プラスチック・布・食品など、様々な素材・形状に対応
  3. キズ・異物・汚れなどの異常箇所の可視化による高い説明性
  4. 直感的な学習UIにより、エンジニアでなくても簡単に操作

 

PFNがPreferred Networks Visual Inspectionとして提供するのは、学習支援ソフトウェアとCPU版異常検知ソフトウェアです。システムの構築にあたっては、ライセンスパートナーから、学習ワークステーション、検査機PC、撮影装置、可視化・操作UIなどを必要条件に応じて自由に組み合わせて導入することが可能です。また、高速検査のためのGPU版異常検知ソフトウェアもオプションで提供します。

これにより、運用のシンプルさと高精度を両立した自動外観検査システムを安価に短期間で構築でき、コストやシステムの柔軟性の問題から、これまで自動化できなかった製造ラインにも導入しやすくなります。また、問題個所を可視化する高い説明性があるため、個人のスキルに頼りがちな製造現場での技術継承やノウハウの横展開にも有用です。

 

Preferred Networks Visual Inspectionと従来製品の比較

 

 

  • 製品発表

幕張メッセで開催されるCEATECの新技術・新製品セミナー(N3-5)「ディープラーニングを応用した製品不良検知ソフトウェアおよびピッキングロボットソリューション」の中で、Preferred Networks Visual Inspectionの製品発表を行います。

 

PFNは今後も、機械学習・深層学習技術の実世界への応用を推進していきます。

世界454チームが参加した物体検出コンペティション Google AI Open Images – Object Detection Trackで準優勝

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、Kaggleの物体検出コンペティション「Google AI Open Images – Object Detection Track」に挑戦し、出場した454チーム中で2位になりました。

物体検出(Object Detection)技術は、コンピュータビジョン分野の主要研究課題の一つであり、自動運転、ロボティクスの基礎技術としても非常に重要です。これまでもImageNetやMS COCOなどの大規模データセットを使った検出精度を競う大会が研究コミュニティーの求心力となって、そのアルゴリズムや物体検出技術を飛躍的に向上させています。

2018年7月3日~8月30日の期間で開催された、Kaggleの物体検出コンペティション「Google AI Open Images – Object Detection Track」は、今年Googleが新たに公開したOpen Images V4※2が使用され、これまでにない大規模かつ複雑なデータセットでのコンペティションとして、多くの研究者の注目を集め、世界各国から454チームが参加しました。

PFNは分散深層学習ライブラリChainerMNの開発チームを中心に、深層学習による画像処理ライブラリChainerCV開発チーム、自動運転、ロボティクス分野の有志メンバーが集まり、チーム「PFDet」としてこのコンペティションに挑戦しました。今回、今年7月に新しく構築したNVIDIA(R) Tesla(R) V100 32GB 512基の大規模クラスター「MN-1b」を初めてフル稼働させ、さらに、深層学習を並列化して大規模データセットでの学習を高速化する技術や、自動運転、ロボティクスの各分野で培ってきた研究成果を総合的に投入しました。その結果、最終順位は1位チームと0.023%の僅差のスコアで準優勝することができました。

 

本コンペティションの解法に関する論文「PFDet:2nd Place Solution to Open Images Challenge 2018 Object Detection Track」を公開しました。https://arxiv.org/abs/1809.00778

その内容は、ドイツで開催されるEuropean Conference on Computer Vision (ECCV)2018の併設ワークショップにおいて発表します。

また、本コンペティションで開発した技術の一部はChainerMNおよびChainerCVの機能として公開予定です。

 

PFNでは、今後も画像解析や物体検出技術の研究開発に取り組み、PFNが重点事業領域とする交通システム、製造業、バイオヘルスケア分野などでの実用化を推進していきます。

 

※1:機械学習コンペティションのプラットフォーム

※2:170万枚の画像からなる大規模データセット(500種類の物体を計1200万個含む)

中外製薬、東京エレクトロンから合計で約9億円の資金調達を実施

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、2018年8月に、中外製薬株式会社(本社:東京都中央区、代表取締役社長CEO:小坂達朗、以下、中外製薬)から約7億円、東京エレクトロン株式会社(本社:東京都港区、代表取締役社長CEO:河合利樹、以下、TEL)から、その子会社を通じて約2億円の出資を受けることで合意したことを発表します。

PFNは今回の資金調達により、財務基盤の強化、計算環境の拡充、優秀な人材の確保をすすめてまいります。

同時に、PFNと中外製薬は、革新的な医薬品・サービスをはじめとする新たな価値創出を目的とした包括的パートナーシップの下、深層学習技術を用いて医薬品研究開発における既存課題の解決を目指すとともに、より探索的な取り組みも含めた共同プロジェクトを実施してまいります。また、PFNとTELは、半導体製造分野において最適化・自動化などをテーマに、深層学習技術を用いた共同研究をすでに開始しています。

PFNは、交通システム、製造業、バイオ・ヘルスケア分野に加え、より幅広い分野においてイノベーションを実現し、さらなる企業価値の向上を目指してまいります。

 

今回出資いただく各社よりコメントをいただきました。

中外製薬株式会社
上席執行役員プロジェクト・ライフサイクルマネジメント(マーケティング)、経営企画統括 奥田 修 様

今後、ヘルスケア・ライフサイエンス領域においても、研究開発を含むすべてのバリューチェーンで、従来の技術とIoTやAIをはじめとした新しい技術の融合が必要不可欠になると考えられます。Preferred Networksの有する最先端の機械学習・深層学習をはじめとするデータ解析技術を、弊社の「技術ドリブンの創薬」をコアとする事業活動全般に適用することで、アンメットメディカルニーズの高い疾患に対する革新的な医薬品とサービスの提供を図り、世界の医療と人々の健康に貢献することを目指します。

 

東京エレクトロン株式会社
執行役員 コーポレート・イノベーション本部 西垣 寿彦 様

Preferred Networksが持つ世界最先端の深層学習技術を、東京エレクトロンが持つ世界最先端の半導体製造技術と融合させることにより、半導体製造における新たなイノベーションとなる画期的な研究開発の成果を得ることができると期待しています。

 

関連リンク:

Preferred Networksとの包括的パートナーシップ契約締結について
https://www.chugai-pharm.co.jp/news/detail/20180726153001.html

 

* 記載されている会社名、製品名は、各社の登録商標または商標です。

オープンソースの深層学習フレームワークChainer および 汎用配列計算ライブラリCuPy の最新版となるv4をリリース

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainerTM(チェイナー)および汎用配列計算ライブラリ CuPyTM(クーパイ) のメジャーアップデート版となるv4 をリリースしました。

Chainer とCuPyは、最新の深層学習研究の成果を取り入れ、6ヶ月ぶりにメジャーバージョンアップをしました。今回リリ―スした最新版 v4では、ほとんどのコードを変更することなくそのまま動作可能です。

 

Chainer およびCuPy v4の主な特長は次の通りです。

● NVIDIA(R) GPU上での高速・省メモリな学習のための機能追加※1

NVIDIA TensorCoreをサポートし、畳込み演算を高速化しました。また、ロススケーリングを実装し、半精度浮動小数点数を用いることによる勾配消失を緩和しました。

● CuPy のインストールが高速化

CuPyのバイナリパッケージの提供を開始し、これまで約10分かかっていたインストール時間を約10秒に高速化しました。

● Intel(R)アーキテクチャ向け最適化

Intel Deep Learning Package (iDeep)※2バックエンドを追加して、Intel CPUでの学習および推論の高速化を実現しました。これにより、当社のベンチマークにおいて、GoogLeNet(画像認識用のニューラルネットワークのひとつ)でのCPU使用時の推論速度が従来比8.9倍に向上※3しました。

● 二階微分をサポートする関数をさらに追加

v3から導入された二階微分のサポート範囲が広がり、最新のネットワークやアルゴリズムを記述する自由度がさらに向上しました。

Chainerでの学習結果をCaffe 形式でエクスポートする機能を追加

Chainerの計算手順と学習した重みをCaffe形式でエクスポートする機能を実験的に追加しました。これにより、Pythonが動かない環境でもChainerの学習結果の利用が容易になります。(ONNX形式へのエクスポートは引き続きonnx-chainerパッケージにて利用可能です)

 

 

ChainerおよびCuPyの開発は、外部コントリビュータの開発成果を数多く取り入れています。PFNは今後も、サポート企業やOSSコミュニティと連携しながらChainerとCuPyの開発・普及を推進してまいります。

 

※1:http://docs.nvidia.com/deeplearning/sdk/mixed-precision-training/index.html

※2:Intel CPU上で深層学習の一般的な演算を高速に実行するためのNumPy互換のライブラリ   https://github.com/intel/ideep

※3:1枚の画像に対する処理時間をiDeep有効時・無効時で比較した結果。いずれの条件でもMKL(Intel Math Kernel Library)は有効。CPUは Intel Xeon(R) CPU E5-2623 v3 を使用。

 

オープンソースの深層学習フレームワークChainerについて

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerMN(分散深層学習)/ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。(http://chainer.org/

機械学習、深層学習を活用したファナックのAI新機能

ファナック株式会社(以下ファナック)は株式会社Preferred Networks(以下PFN)と共同で、機械 学習や深層学習をFA・ロボット・ロボマシンのそれぞれの商品に適用する新たなAI機能を開発致しました。

 

FA:AIサーボチューニング(機械学習)

高速加工,高精度加工或いは高品位加工の実現のため、機械学習を用いてサーボモータ制御のパ ラメータの高度な調整を簡単に実現する「AIサーボチューニング」機能群の開発を推進中です。今回この 「AIサーボチューニング」の第一弾として、「AIフィードフォワード」を開発致しました。

AIフィードフォワードは、機械特性をより正確に表現するために高次元化したモデルに基づくフィードフォ ワード制御です。このモデルは数多くのパラメータで表現されるため、従来のようなマニュアルでのパラメータ 調整は困難です。そこでパラメータ決定プロセスに機械学習を適用し、高度なフィードフォワード制御を実 現しました。

AIフィードフォワードによりサーボモータの加減速時の機械振動を抑制できるため、高品位加工の実現 に貢献致します。

出荷開始予定時期:2018年4月

 

ロボット:AIバラ積み取り出し(深層学習/FIELD systemアプリケーション)

バラ積み取出しにおける高確率での取り出し成功のため、深層学習によるワーク取り出し順序の決定 を行うスコアリング機能を、FIELD system上のアプリケーションとして開発致しました。

深層学習でロボットが自動的に取出し順番の学習を行うため、従来の人手で行っていた取り出し順番 の調整作業から解放され、バラ積み取出しシステムの立ち上げ時間の短縮を実現します。

また、本機能を用いることでバラ積み機能の教示熟練者でなければ難しかった高い取り出し成功率を実 現します。ワークの種類毎に学習モデルを作成することで、取り出し成功確率を上げることができます。

左:FIELD BASE Pro (NVIDIA社製GPU付) 右:バラ積みセンサ付ロボットシステム(デモ機)

出荷開始予定時期:2018年4月

 

ロボマシン:AI熱変位補正(機械学習)

昨年11月に販売を開始したワイヤカット放電加工機「ロボカット」用のAI熱変位補正機能に続く、ロ ボマシンのAI第2弾として、ロボドリル用AI熱変位補正機能を開発、販売を開始致しました。

AI 熱変位補正機能は、周囲温度や機械の動作中の発熱を温度センサで検出し、温度変化による 熱変位を機械学習技術を活用して予測し補正する機能です。温度センサを用いない従来機能と比較 して、加工精度が約40%改善しました。また、温度センサの配置や温度データの活用方法を工夫するこ とで、万一温度センサが故障した場合でも、加工を中断することなく最適な補正を継続します。

AI熱変位補正機能 第1弾 ロボカット (2017/11リリース)

AI熱変位補正機能 第2弾 ロボドリル

出荷開始時期:2018年3月(発売済)

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川徹

AIバラ積み取り出しは、2015年にファナック様と協業を開始した当初から着手していたプロジェクトであり、 ロボットに深層学習を応用した初めての製品として発表できることは大変意義深いと考えています。 これからも、より広い領域に深層学習を適応した賢いロボット、賢い工作機械の市場導入を加速させ、 モノづくりの現場に新しい価値を提供していきます。

最新のNVIDIA Tesla V100 32GB GPUを採用した プライベート・スーパーコンピュータ「MN-1b」を7月に稼働

NTT Comグループのマルチノード型GPUプラットフォームを拡張

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川 徹、以下 PFN)とNTTコミュニケーションズ株式会社(本社:東京都千代田区、代表取締役社長:庄司 哲也、以下 NTT Com)、株式会社NTTPCコミュニケーションズ(本社:東京都港区、代表取締役社長:田中 基夫、以下 NTTPC)は、米国時間2018年3月27日に発表された最新のNVIDIA(R) Tesla(R) V100 32GBをPFNのプライベート・スーパーコンピュータ「MN-1(エム・エヌ・ワン)」の拡張に採用します。この最新GPUは、NTT ComおよびNTTPCが提供する次期高速演算処理(GPU)プラットフォーム上に搭載し、7月に稼働予定です。

 

1.背景

PFNは、深層学習の研究開発および関連技術の迅速な実用化、また、世界的な開発競争を勝ち抜くため、最新GPUによる高速かつ潤沢な計算環境を世界に先駆けて導入することが必要でした。

NTT ComおよびNTTPCは、GPU間ネットワークや排熱処理などの蓄積されたノウハウが評価され、PFNが求める最新GPUによるマルチノード型プラットフォームを構築し運用することとなりました。

 

2.PFNの次期プライベート・スーパーコンピュータ「MN-1b(エム・エヌ・ワン・ビー)」の概要

現在PFNが保有しているプライベート・スーパーコンピュータ「MN-1」を拡張し、新たに7月より、最新のNVIDIA Tesla V100 32GBを512基稼働させる予定です。拡張部分の理論上のピーク性能は、深層学習で利用される混合精度浮動小数点演算※1において約56ペタフロップス※2であり、拡張部分のみで従来の約3倍のピーク性能となります。

 

3.今後の展開について

PFNは構築予定の次期プライベート・スーパーコンピュータ「MN-1b」を活用し、オープンソースの深層学習フレームワークChainer(チェイナー)の高速化を進める予定です。さらに、大量の計算資源を必要とする交通システム、製造業、バイオ・ヘルスケア、クリエイティブ分野での研究開発をより一層加速させます。

NTT Comグループは、急速に拡大する高速演算用途に応えるため、高圧電力の安定供給・効率的な排熱処理などのインフラ運用ノウハウを活かし、最新のGPUプラットフォームを世界に先駆けて提供します。今後もAI関連技術やそれを支えるインフラの提供を通して、PFNのAIビジネスを支援していきます。

 

エヌビディア合同会社 日本代表 兼 米国本社副社長 大崎 真孝のコメント

Preferred Networksが、ディープラーニングなどの研究開発用プライベート・スーパーコンピュータの次期計算環境「MN-1b」において、2倍のメモリを搭載した最先端のデータセンター向けGPUであるNVIDIA Tesla V100 32GB のご採用をいただき誠に光栄でございます。NTT Comグループの豊富な構築・運用実績と信頼性の高いデータセンターサービス、NVIDIAの最新GPUによる高速かつ潤沢な計算基盤をもとに、交通システム、製造業、バイオ・ヘルスケアの領域において、世界をリードする研究開発の成果を心より期待しております。

スーパーマイクロ株式会社取締役(兼VP. Strategic Sales, 米国Super Micro Computer, Inc.)Emmy Changのコメント

Preferred Networksは、最新バージョンのインテル(R) Xeon(R) スケーラブル・プロセッサーと、8基の最新NVIDIA Tesla V100 32GB GPUアクセラレータを搭載した、弊社のSuperServer(R) 4029GP-TRT2を導入する世界で初めての事例となります。Supermicroは、常に最新の革新的なハードウェアとソリューションによって、Preferred NetworksとNTT Comグループを引き続きサポートいたします。弊社は、Preferred Networksが、この最新プライベート・スーパーコンピュータを使用して、新たな目標を達成すると確信しています。

※1: 複数の精度の浮動小数点演算を組み合わせて利用する方式

※2: コンピュータの処理能力を表す単位の一つ。peta (ペタ) は1,000兆(10の15乗)、FLOPS (フロップス) は1秒間に行える浮動小数点演算の回数を表すので、1ペタフロップスは毎秒1,000兆回の浮動小数点演算を行えることを意味する。

 

※Chainerは、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。その他、記載されている会社名、製品名は、各社の登録商標または商標です。

Preferred Networksのプライベート・スーパーコンピュータが Top 500リストのIndustry領域で国内1位に認定

Preferred Networks、民間企業の計算環境として 国内最大級のプライベート・スーパーコンピュータを9月から稼働

線画自動着色サービスPaintsChainerが 第21回文化庁メディア芸術祭 エンターテインメント部門で 優秀賞 を受賞

株式会社Preferred Networks (本社: 東京都千代田区、代表取締役社長 最高経営責任者: 西川 徹、以下PFN)が開発・提供するPaintsChainer™(ペインツチェイナー)が、第21回文化庁メディア芸術祭(文部科学大臣賞)エンターテインメント部門の優秀賞を受賞しました。

文化庁メディア芸術祭は、アート、エンターテインメント、アニメーション、マンガの4部門において、高い芸術性と創造性をもつ優れた作品を顕彰するメディア芸術の総合フェスティバルです。1997年より開催され、今回が第21回となります。本年度は4,192作品、過去最多となる世界98の国と地域から応募があり、各部門から大賞1作品、優秀賞4作品、新人3作品が選出されました。

PaintsChainerは、2017年1月のサービス公開と同時にTwitter等で大きな反響のあった、無料のオンライン線画自動着色サービスです。白黒等で描かれた線画ファイルや写真画像をアップロードするだけで、深層学習の技術を使ってイラスト上の顔や服装、風景等を認識し、完全自動着色または色指定による自動着色をおこないます。現在、「たんぽぽ」「さつき」「かんな」の3つの着色モデルを公開しています。https://paintschainer.preferred.tech/index_ja.html

今回、PaintsChainerが優秀賞を受賞するにあたり、「自動着色を可能にする支援プラットフォームを、誰もが利用可能なウェブサービスとして提供した意義は大きい」とのご評価をいただきました。

国立新美術館での記者発表会にて受賞者記念撮影(中段左から4人目が米辻)

PaintsChainer開発者である、PFNのエンジニア米辻泰山のコメントです。

PaintsChainerは、ディープラーニングの勉強を兼ねて開発し始めた個人的プロジェクトでした。それが今回このような賞をいただけて大変光栄です。ディープラーニングを教えてくださった先輩方、サービス化と運営に協力、応援してくださったPreferred Networksの皆さん、そして楽しい、面白いと共感してくださったユーザーの方々に心より感謝いたします。
これからも、PaintsChainerを発展させつつ、さらに新しい領域にもチャレンジしていきます。

 

 

  •  第21回 文化庁メディア芸術祭 受賞作品展
    メディア芸術の “時代(いま)”を感じる全受賞作品の展示とシンポジウムやトークイベント、ワークショップ等の関連イベントが開催される予定です。
    ○ 会場: 国立新美術館 (東京・六本木)
    ○ 会期: 2018年6月13日(水)~ 24日(日)

 

※PaintsChainer™は、株式会社Preferred Networksの登録商標です。その他、記載されている会社名、製品名は、各社の登録商標または商標です。

白泉社と博報堂DYデジタル、Preferred Networksの深層学習技術による 線画自動着色サービスPaintsChainerを活用したカラー版マンガ作品の配信を開始

株式会社白泉社(本社:東京都千代田区、代表取締役社長:鳥嶋和彦、以下白泉社)および株式会社博報堂DYデジタル(本社:東京都港区、代表取締役社長:辻輝、以下博報堂DYデジタル)は、株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、以下PFN)の協力のもと、深層学習技術を使った自動着色によるカラー版マンガ作品の配信および販売を開始いたしました。

今回、PFNが提供する線画自動着色サービス「PaintsChainer(ペインツチェイナー)」※1 をカスタマイズし、マンガ着色向け新モデルを開発しました。深層学習による自動着色ならではのグラデーションなど、独特の味わいがお楽しみいただけます。

 

  • PaintsChainerによる着色例

『結婚×レンアイ。』(著:萩尾彬)

 

  • 第1弾配信タイトル
『結婚×レンアイ。』 (著:萩尾彬)
『私達××しました』 (著:空あすか)

2018年1月24日より順次、白泉社e-netほか主要電子書店サイトにて配信開始。

 

白泉社は、月刊ウェブマガジンの先駆けである「Love Silky」※2 等のWEBコミックを多数刊行しており、博報堂DYデジタルが手掛けるCONPYRA※3 と連携し、これまでに多数のプロジェクトを実施してまいりました。本件はその連携の一環の施策となります。

今回、PFNはPaintsChainerのマンガ着色モデルの開発を担当し、博報堂DYデジタルは仕様策定および制作進行のディレクションを担当しました。今回の第1弾配信を皮切りに、今後、他作品の自動着色によるカラー版の制作・配信も行っていく予定です。

今後も、白泉社・博報堂DYデジタル・PFNは、マンガ表現のさらなる発展を目指し、深層学習による新たなマンガ制作技術の開発に積極的に取り組んでまいります。

 

※1  PaintsChainer(R)(ペインツチェイナー)について

PFNが開発・提供し、2017年1月のサービス公開と同時にTwitter等で大きな反響のあった、オンライン線画自動着色サービス。白黒等で描かれた線画ファイルや写真画像をアップロードするだけで、深層学習の技術を使って完全自動着色または色指定による自動着色をおこなう。着色モデルが異なる「たんぽぽ」「さつき」「かんな」を無料公開している。
【公式サイト】https://paintschainer.preferred.tech

※2  Love Silky(ラブシルキー)について

白泉社が配信する月刊ウェブマガジン。女性向けマンガ作品を多数掲載し、毎月第3水曜日に最新号を配信開始。2018年1月よりVol.61が配信中で、2013年1月の刊行開始から5周年を迎えた。また、姉妹誌として、同じく女性向けマンガ作品を掲載する「Love Jossie」(2015年7月刊行開始)、小説作品に特化した「ジョシィ文庫」(2017年11月刊行開始)がある。
【公式サイト】http://www.hakusensha.co.jp/silky_web

※3  CONPYRA(コンピラ)について

博報堂DYデジタルが手掛ける作家エージェント事業。誰でも自由に発信できるデジタル・プラットフォームが普及し、無数の創作コンテンツが日々生まれている中、独自のデータ分析によって特に優れた作品を発掘し、作家/クリエイターとのエージェント契約にもとづいて、作品のプロデュースを行う。エージェント業務のほか、各種パブリッシャー企業との連携により、小説・マンガを中心としたビジネス開発を多数推進中。
【公式サイト】https://conpyra.com

インテリジェント・エッジ・システムの開発に向けた合弁会社の設立に合意

ファナック株式会社(代表取締役会長兼CEO:稲葉 善治/以下、ファナック)、株式会社日立製作所(執行役社長兼CEO:東原 敏昭/以下、日立)および株式会社Preferred Networks(代表取締役社長 最高経営責任者:西川 徹/以下、PFN)は、このたび、産業・社会インフラ分野のエッジデバイスにAI技術を活用したインテリジェント・エッジ・システム*1の開発をめざし、2018年4月2日付で合弁会社(以下、新会社)を設立することを合意しました。なお、現在日立の執行役副社長を務め、4月1日付でファナックの副社長執行役員に就任する齊藤 裕が、新会社の社長を兼任します*2

 

*1 インテリジェント・エッジ・システム: クラウドと工作機械、産業機械、ロボットなどのエッジデバイスとの中間層においてAIを活用し、定時性をもったリアルタイム制御を実現するシステム

*2 日立の執行役副社長は3月31日付で退任予定

 

近年、さまざまな分野においてAI技術を活用したイノベーションが急速に進展しています。特に、産業・社会インフラ分野では、車やロボットなどのエッジデバイスに近い領域でのAI技術の活用が期待されています。

 

こうした中、ファナックと日立、PFNの3社は、世界に先駆けた産業・社会インフラ分野におけるインテリジェント・エッジ・システムの共同開発とそれに向けた合弁会社の設立に合意しました。新会社は、ファナックの工作機械・ロボットに関する技術・ノウハウ、日立の製造現場における制御技術をはじめとしたOTおよびITの知見、そしてPFNのディープラーニング技術や分散コンピューティング技術を融合させ、インテリジェント・エッジ・システムの開発をめざします。合弁会社設立後、事業性検証および事業計画の策定を行い、その後、実際のシステム開発や適用分野の拡大を図る計画です。

 

ファナックと日立、PFNの3社は、新会社での取り組みを通じ、インテリジェント・エッジ・システムなどの次世代制御システムの開発を進めることで、Society5.0の実現に向けた協創を進めていきます。

 

ファナック株式会社
代表取締役会長 兼 CEO 稲葉 善治のコメント

「ファナックがIoTへの取り組みとしてFIELD systemの開発に今後とも力を入れていく上で、より高速で定時性をもったリアルタイム制御の実現をめざす合弁会社の活動は、プラスの効果をもたらすものと考えます。工場自動化の分野に特化してきた当社としましては、急速に進もうとしている製造業のIoT化に柔軟かつ迅速に対応し、今後とも製造業の発展に貢献してゆきたいと考えます。そのための取り組みの一つとして、今回の合弁会社に大いに期待しています。」

 

株式会社日立製作所
執行役社長兼CEO 東原 敏昭のコメント

「このたび、ファナック、PFNとの合弁会社を設立することとなり、大変光栄です。日立は、100年を超えるOT、50年を超えるITの知見・ノウハウを融合した社会イノベーション事業により、社会課題の解決や人々の安全・安心・快適な生活の実現をめざしています。今回、3社がそれぞれの強みを持ち寄り、世界に先駆けたインテリジェント・エッジ・システムを開発・提供していくことで、産業・社会インフラ分野の高度化に貢献していきたいと考えています。」

 

株式会社Preferred Networks
代表取締役社長 最高経営責任者 西川 徹のコメント

「昨年12月に日立製作所との資本業務提携を発表してから、早くもこのような新しい取り組みができることをうれしく思います。PFNは2015年にファナックと資本業務提携し、機械学習・深層学習技術を用いて、工作機械やロボットが賢くつながる革新的な製造現場の実現を共にめざしてまいりました。今回、この3社が合弁会社を設立することで、各社の得意分野をいかした革新的技術の開発・提供を加速させ、世界に向けて、より大きな流れをつくっていきたいと思います。」

 

合弁会社の概要(予定)

商号 Intelligent Edge System合同会社
資本金 3,000万円
出資額 ファナック 1,000万円  日立 1,000万円  PFN 1,000万円
社長 齊藤 裕
所在地 山梨県南都留郡忍野村忍草字古馬場3580番地
設立年月日 2018年4月2日
事業概要 インテリジェント・エッジ・システムの概念実証および開発

ファナック、博報堂DYHD、日立製作所、みずほ銀行、三井物産から合計で20億円超の資金調達を実施

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、2017年12月に第三者割当増資をおこない、新たに、株式会社博報堂DYホールディングス(本社:東京都港区、代表取締役社長:戸田裕一)、株式会社日立製作所(本社:東京都千代田区、執行役社長兼CEO:東原 敏昭)、株式会社みずほ銀行(本社:東京都千代田区、取締役頭取:藤原弘治)、三井物産株式会社(本社:東京都千代田区、代表取締役社長:安永竜夫)が、それぞれ約5億円ずつ引き受けることで合意しました。

同様に、2015年6月に協業を開始し、同8月に資本提携をしたファナック株式会社(本社:山梨県忍野村、代表取締役会長 兼CEO:稲葉善治)も、約5億円分の当社株式を追加取得することで合意しました。

今回の増資により、2017年8月に発表したトヨタ自動車による約105億円の追加出資から続く一連の資金調達を完了します。

PFNは今回の資金調達により、財務基盤の強化、計算環境の拡充、優秀な人材の確保をすすめるとともに、中長期的な発展を見据え、出資各社とそれぞれの分野で協業していきます。

今後は、交通システム、製造業、バイオ・ヘルスケア分野に加え、より幅広い分野においてイノベーションを実現し、さらなる企業価値の向上を目指します。

 

今回出資いただく各社よりコメントをいただきました。

 

ファナック株式会社
代表取締役会長 兼 CEO 稲葉 善治 様

当社は、Preferred Networksの持つ最先端の機械学習・深層学習技術を、当社のFIELD systemおよびその他の全商品群への適用を進め、製造現場のエッジ部分(加工現場、組立現場)で情報をリアルタイムに高速に処理し機械が互いに柔軟かつ賢く協調する、これまでになかった高度な生産システムを実現してまいります。

※ FANUC Intelligent Edge Link and Drive system: 製造現場の各種機器を接続して製造の最適化を実現するオープンプラットフォームで、様々な企業が参加可能です。

 

株式会社博報堂DYホールディングス
代表取締役社長 戸田 裕一 様

Preferred Networksの有する深層学習をはじめとする機械学習技術・実装力と、博報堂DYグループの有する広告、マーケティング、メディア、コンテンツ領域におけるクリエイティビティならびに、独自データを掛け合わせることによって、革新的なソリューションやサービスを創出できるものと大変期待しております。クリエイティビティとテクノロジーの融合と、実社会への実装を推進し、生活をより楽しく、より豊かにするイノベーションをPreferred Networksと共に実現していきたいと思います。

 

株式会社日立製作所
代表執行役 執行役副社長 齋藤 裕 様

日立が展開する社会イノベーション事業では、IoTやAIといった最先端技術の活用や、さまざまなパートナーとの協創を拡大しています。今回の出資を機に、Preferred Networksのディープラーニングにおける知見、日立のOT×IT×プロダクトにおける技術・ノウハウといった両社の強みを持ち寄り、Society5.0の実現に向けた協創を実現していきたいと考えています。

 

三井物産株式会社
代表取締役常務執行役員 CDO(チーフ・デジタル・オフィサー)北森 信明 様

Preferred Networks社は、高度な人工知能(AI)技術を持つ業界のリーディングカンパニーです。三井物産はPreferred Networks社との新たなパートナーシップを通じ、グローバルに保有する事業資産のオペレーションの効率化、高付加価値化ひいては新事業創出に繋げるDigital Transformation活動を一層推進し、競争力の強化を図ってまいります。

 

関連リンク:
・株式会社博報堂DYホールディングス「博報堂DYホールディングス、Preferred Networksと資本業務提携を合意」
http://www.hakuhodody-holdings.co.jp/news/corporate/2017/12/1505.html

・株式会社日立製作所「日立がPreferred Networksに出資」
http://www.hitachi.co.jp/New/cnews/month/2017/12/1211.html

・三井物産株式会社「AI 事業会社の Preferred Networks 社に出資」
https://www.mitsui.com/jp/ja/release/2017/1225185_10838.html

 

◆株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域を中心に、様々な分野でイノベーションの実現を目指しています。

オープンソースの深層学習フレームワークChainerTM(チェイナー)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

 

* 記載されている会社名、製品名は、各社の登録商標または商標です。

Preferred Networksのプライベート・スーパーコンピュータが Top 500リストのIndustry領域で国内1位に認定

株式会社Preferred Networks (本社: 東京都千代田区、代表取締役社長 最高経営責任者: 西川 徹、以下PFN)が占有利用するプライベート・スーパーコンピュータ「MN-1」が、LINPACK ※1 性能測定の結果、約1.39ペタFLOPS ※2 を記録しました。これにより、2017年11月のスーパーコンピュータ性能ランキングを示すTOP500リスト (http://www.top500.org) において、産業領域 (Industry Segment) のスーパーコンピュータにおける世界12位、国内1位として登録されました。研究用等の全てのスーパーコンピュータを含むランキングにおいては、世界91位、国内13位となります。

 

PFNのプライベート・スーパーコンピュータMN-1の概要 ※3

MN-1は、NTTコミュニケーションズ株式会社 (本社:東京都千代田区、代表取締役社長:庄司 哲也、以下NTT Com) と株式会社NTTPCコミュニケーションズ (本社: 東京都港区、代表取締役社長: 田中 基夫、以下NTTPC) の高速演算処理 (GPU) プラットフォームを採用し、計算ノードにはNVIDIA(R) Tesla(R) P100GPUを1,024基搭載しています。

MN-1は、Mellanox社製 Infiniband インターコネクトを活用することで、PFNが開発する分散深層学習パッケージChainerMN (チェイナー・エムエヌ)による高速な分散深層学習 ※4 が可能です。

PFNはMN-1を使って、特に多くの計算機資源を必要とする交通システム、製造業、バイオ・ヘルスケア分野をはじめとしたさまざまな分野での深層学習の研究開発を、より一層加速させます。

 

※1  コンピュータの実用上の演算速度を比較するためのベンチマークテストの一つ

※2  コンピュータの処理能力を表す単位の一つ。peta (ペタ) は1000兆(10の15乗)、FLOPS (フロップス) は1秒間に行える浮動小数点演算の回数を表すので、1ペタフロップスは毎秒1000兆回の浮動小数点演算を行えることを意味する。

※3  民間企業の計算環境として 国内最大級のプライベート・スーパーコンピュータを9月から稼働
  https://www.preferred-networks.jp/ja/news/pr20170920

※4  深層学習の学習速度において世界最速を実現
  https://www.preferred-networks.jp/ja/news/pr20171110

 

■ 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

オープンソースの深層学習フレームワークChainer(チェイナー)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。https://www.preferred-networks.jp/ja/

*Chainer(R) は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。その他、記載されている会社名、製品名は、各社の登録商標または商標です。

Preferred Networks、深層学習の学習速度において世界最速を実現

大規模な並列コンピュータを活用し、分散学習パッケージChainerMNでImageNetの学習を15分で完了

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、大規模な並列コンピュータ「MN-1※1」を活用し、深層学習(ディープラーニング)の学習速度において世界最速を実現しました。

 

深層学習モデルの精度を向上させるため、学習データのサイズやモデルのパラメータ数が増加し、それにともなって計算時間も増大しています。1回の学習に数週間かかることも稀ではありません。複数のコンピュータを連携させて学習を高速化することは、新たなアイディアの試行錯誤や検証に要する時間を圧縮し、素早く研究成果をあげていくために非常に重要です。

一方で、複数のコンピュータを使った並列分散学習においては、通常、GPU数を増やすほどバッチサイズが大きくなることに加え、GPU間の通信にオーバーヘッドが存在することで、得られるモデルの精度や学習スピードが徐々に下がっていくことが知られています。

今回、これらの課題を克服するため、学習アルゴリズムと並列化性能の改善をおこない、1,024GPUで構成される民間企業で国内最大級の並列コンピュータMN-1と、分散学習パッケージ ChainerMN※2(チェイナー・エムエヌ)を用いて学習を行いました。

その結果、ImageNet※3の画像分類データセットを利用したResNet-50※4の学習を15分で完了し、同様の研究報告※5としてこれまで最速とされていた学習時間を大幅に短縮しました。

今回の研究成果は「Extremely Large Minibatch SGD: Training ResNet-50 on ImageNet in 15 Minutes」というタイトルで、次のURLで公開しました。 (https://www.preferred-networks.jp/docs/imagenet_in_15min.pdf)

PFNはこの研究成果をいかして、大規模な深層学習を必要とする交通システム、製造業、バイオ・ヘルスケア分野での研究開発をより一層加速させていきます。

 

■ オープンソースの深層学習フレームワークChainerについて

PFNが中心となって開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークであり、“Define-by-Run”の手法を通じて簡単かつ直感的に複雑なニューラルネットワークを設計できる高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化され、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerMN(分散深層学習)/ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。(http://chainer.org/

 

■ 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、イノベーションの実現を目指しています。(https://www.preferred-networks.jp/ja/

 

*Chainer(R) は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

 

※1 NVIDIA(R) Tesla(R) P100を1,024基搭載。民間企業のプライベートな計算環境で国内最大級 https://www.preferred-networks.jp/ja/news/pr20170920

※2 オープンソースの深層学習フレームワークChainer(チェイナー) にマルチノードでの分散学習機能を追加するパッケージ

※3 一般に広く使われている画像分類データセット

※4 画像認識の分野で多用されるネットワーク

※5 Intel(R) Xeon(R) Platinum 8160を1,600台使用して31分で学習完了(Y. You et al. ImageNet Training in Minutes. CoRR,abs/1709.05011, 2017)

AI(ディープラーニング)技術を活用した射出成形機の予防保全機能

ファナック株式会社(以下 ファナック)と株式会社Preferred Networks(以下PFN)は、ディープラーニングを工作機械に適用する新しい事例として、ファナックの電動射出成形機であるロボショットα-SiAシリーズの予防保全を行う「AIバックフローモニタ」を共同開発しました。

 

今回開発したAIバックフローモニタは、射出成形機の消耗品(逆流防止弁)の摩耗状態をディープラーニングで評価・予測し、消耗品が「壊れる前に知らせる」機能です。従来は、樹脂の逆流状況を示すデータ波形の形状変化を人間が見て、逆流防止弁の摩耗状態と交換時期を推測していました。今回、ディープラーニング技術を活用してこのデータ波形を高度に分析することで摩耗量を数値化し、逆流防止弁の適切な交換時期を知らせることが可能になります。

また、「Edge Heavy」の特徴を活かしてクラウドを必要としないことも特徴で、ROBOSHOT-LINKi上で主なデータ処理を行います。

このAIバックフローモニタはロボショットのオプションとして提供され、予防保全による稼働率の向上を実現します。(来年1月より受注開始予定)

本機能を搭載したロボショットを、国際プラスチックフェア2017(10月24日~10月28日に幕張メッセにて開催)にて出品致します。

 

ファナックとPFNは、今後も共同でAI機能による製造現場の改善・革新を目指して、一歩一歩着実に進んでまいります。

 

ロボショット

 

システム構成(概要)

AI(機械学習)技術でワイヤカット放電加工機の加工精度を向上

ファナック株式会社(以下 ファナック)は、同社のワイヤカット放電加工機 注1 であるロボカットα-CiBシリーズの加工精度を高める「AI熱変位補正機能」を、株式会社Preferred Networks (以下PFN)と共同開発しました。

本機能を搭載するロボカットは、ファナックとPFNの協業後、初めての「AI機能搭載商品」となります。
ファナックとPFNは、製造業向けのAI機能の開発で2015年から協業 *1、資本提携し *2、ファナックの商品の性能向上や稼働率向上に有効なAI機能の共同開発を進めてまいりました。今回開発したAI熱変位補正機能では、ワイヤカット放電加工機の温度変化による加工精度変動をAI(機械学習)技術を活用して予測・制御し、補正精度を従来機能比で約30%改善しました。本機能は、小型から大型のワークまで適用可能です。

ロボカット

 

このAI熱変位補正機能はロボカットのオプション機能として提供され、本年11月より受注開始の予定です。また、本機能を搭載したロボカットを、メカトロテックジャパン2017(10月18日~10月21日にポートメッセなごやにて開催)に出品致します。

更に、同様の機械学習を用いたロボドリル版「AI熱変位補正機能」についても開発を進めており、近々提供開始の予定です。

ファナックとPFNは、今後も共同でAIによる製造現場の改善・革新を目指して、一歩一歩着実に進んでまいります。

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川 徹
「ファナックとの提携後、機械学習技術を活用した初めての商品を発表できることをうれしく思います。今回、製造業で重要な課題の一つである、制御パラメータの最適化に対して、機械学習技術の活用が有効であることを示すことができました。PFNは今後も機械学習・深層学習の技術を応用して、工作機械やロボットの知能化に貢献してまいります。」

 

*1 株式会社 Preferred Networks の協業に関するお知らせ
http://www.fanuc.co.jp/ja/profile/pr/newsrelease/osirase20150610.html

*2 ファナック株式会社および株式会社 Preferred Networks の資本提携に関するお知らせ
http://www.fanuc.co.jp/ja/profile/pr/newsrelease/osirase20150821.html

注1 極細のワイヤ電極と被加工金属(導体)の間の放電現象を利用して金属の精密・微細形状加工をするための工作機械

Preferred Networks、民間企業の計算環境として 国内最大級のプライベート・スーパーコンピュータを9月から稼働

NTT Comグループのマルチノード型GPUプラットフォームを採用

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川 徹、以下:PFN)は、自動運転技術やがん診断をはじめとした深層学習(ディープラーニング)などの研究開発用プライベート・スーパーコンピュータを、2017年9月より稼働しました。このスーパーコンピュータは、NTTコミュニケーションズ株式会社(本社:東京都千代田区、代表取締役社長:庄司 哲也、以下:NTT Com)と株式会社NTTPCコミュニケーションズ(本社:東京都港区、代表取締役社長:田中 基夫、以下:NTTPC)の高速演算処理(GPU)プラットフォームを採用し、計算ノードにはNVIDIA(R)製 Tesla(R) P100 GPUを1,024基搭載しています。民間企業のプライベートな計算環境としては、国内最大級となります。

 

1. 背景と狙い

PFNでは、深層学習の研究開発や関連技術の迅速な実用化のため、最新GPUによる、高速かつ潤沢な計算環境が必要でした。また、GPUの稼働にあたっては高電力の確保、排熱処理、ネットワークの高速化が課題でした。これらの課題を解決するため、PFNは、GPUサーバーにおける高い技術力と豊富な実績、最先端のデータセンター構築ノウハウを持つNTT Comグループのマルチノード型GPUプラットフォームを採用し、PFN独自の並列分散学習技術ChainerMN※1を活用するための大規模なマルチノードの深層学習用研究開発基盤※2を構築しました。

 

2. PFNのプライベート・スーパーコンピュータの概要

(1)民間企業のプライベートな計算環境として国内最大級

最先端のマルチノード技術を活用しており、NVIDIA(R)製 Tesla(R) P100 GPUが1,024基稼働しています。理論上のピーク性能は4.7ペタフロップス※3で、これは、民間企業のプライベートな計算環境として、国内最大級です。

(2) NTT Comグループならではの実現力

NTT Comグループは、GPUのパフォーマンスを最大化するための豊富な構築ノウハウや、世界トップレベルの信頼性を誇るデータセンターサービス「Nexcenter™」および「Enterprise Cloud」の構築実績を活かし、マルチノード型GPUプラットフォームを実現・提供しています。

 

3. 今後の展開について

PFNは今回構築したプライベート・スーパーコンピュータを活用し、オープンソースの深層学習フレームワークChainer(R)の高速化を進めます。さらに、大量の計算資源を必要とする交通システム、製造業、バイオ・ヘルスケア分野での研究開発をより一層加速させます。また今後は、次世代GPU「Volta」ベースのNVIDIA(R)製Tesla(R) V100の導入も検討予定です。

NTT Comグループは、今後もAI関連技術やそれを支えるインフラの提供を通して、深層学習技術の研究や商用での積極的な利活用をサポートし、PFNのAIビジネスを支援していきます。

 

4. NVIDIA 日本代表 兼 米国本社副社長 大崎 真孝のコメント

現代AIのコアテクノロジーであるディープラーニングにおいて、計算パワーは競争力の源であり、NTT Comグループ様との協業によりPreferred Networks様がこのようなプライベート・スーパーコンピュータを構築されたことは、Preferred Networks様をはじめとして、日本の国力強化にも大いに貢献するものと期待しております。

 

※1: 複数ノードを並列協調動作させることにより、深層学習の速度を飛躍的に高めることができる技術

※2: 複数のサーバーをあたかも仮想的に1台の大規模サーバーに見立て、PFN独自の技術(ChainerMN)を活用するためのプラットフォーム

※3: コンピュータの処理能力を表す単位の一つ。peta (ペタ) は1000兆(10の15乗)、FLOPS (フロップス) は1秒間に行える浮動小数点演算の回数を表すので、1ペタフロップスは毎秒1000兆回の浮動小数点演算を行えることを意味する。

※Chainer(R)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。その他、記載されている会社名、製品名は、各社の登録商標または商標です。

 

■ 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

オープンソースの深層学習フレームワークChainer(チェイナー)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

 

■ NTTコミュニケーションズ株式会社について

1999年に設立。全世界40以上の国/地域、110以上の都市に拠点を持ち、190以上の国/地域でグローバルネットワークサービスを提供。通信事業者ならではの高品質なインフラと技術を活かし、クラウド、コロケーション、アプリケーション、セキュリティなどの多岐にわたるICTサービスを展開しています。また、Software Defined技術を活用した新たなサービスとマネージドサービスの提供によって、お客さまのデジタルトラスフォーメーションに貢献するとともに、AIやIoTを用いた新たなビジネスの創出に取り組んでいます。(http://www.ntt.com/)

 

■ 株式会社NTTPCコミュニケーションズについて

株式会社NTTPCコミュニケーションズ(NTTPC)は、1985年に設立されたNTTコミュニケーションズのグループ会社であり、日本の通信市場におけるネットワークサービスおよび通信ソリューションプロバイダーです。NTTPCは、1995年にNTTグループの第1世代ISPサービス「InfoSphere」を開始し、1997年に日本の第1世代インターネットデータセンターとサーバーホスティングサービス「WebARENA」を開始しました。NTTPCは、NTTグループの企業向けインターネットサービスの先駆者として常にICT市場に対して、新しいサービス・ソリューションを開拓しています。(http://www.nttpc.co.jp/)

Preferred Networks、トヨタ自動車から約105億円の資金調達 モビリティ分野でAI技術の共同研究・開発を加速

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、トヨタ自動車株式会社(本社:愛知県豊田市、社長:豊田 章男、以下、トヨタ)と自動運転技術など、モビリティ事業分野におけるAI(人工知能)技術の共同研究・開発を加速させるため、トヨタから約105億円の追加出資を受けることで合意しました。PFNが第三者割当増資により発行する株式をトヨタが引き受けます。これにより、トヨタはPFNの外部筆頭株主となります。

PFNとトヨタは、2014年10月から共同研究・開発を開始し、関係強化を目的に2015年12月、トヨタがPFNに10億円を出資しています。

これまで両社で実施した、物体認識技術や車両情報の解析技術などの共同研究・開発を通じ、PFNが持つ世界トップレベルの知能化関連技術(機械学習、深層学習、ビッグデータ処理等)は、自動運転をはじめとした、次世代のモビリティ社会の実現を目指すトヨタにとって必要不可欠であると、高く評価されました。

PFNは今回の資金調達により、計算環境の拡充、優秀な人材の確保をすすめ、モビリティ事業分野におけるトヨタとの関係強化、共同研究・開発をさらに加速させます。

 

■ 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。
オープンソースの深層学習フレームワークChainer(チェイナー)や、アプリケーションを含む統合ソリューションDeep Intelligence in-Motion(DIMo、ダイモ)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。
* その他、記載されている会社名、製品名は、各社の登録商標または商標です。

Preferred Networksのテクニカルアドバイザーに UCバークレーのピーター・アビール教授が就任

株式会社Preferred Networks本社東京都千代田区、代表取締役社長 最高経営責任者西川徹、以下、PFNは、カリフォルニア大学バークレー校University of California, Berkeleyの教授で、OpenAIのリサーチサイエンティストであるピーター・アビールPieter Abbeel氏が、8月1日付けで、PFNのテクニカルアドバイザーに就任することで基本合意しました。

アビール教授は、ロボティクスにおける機械学習を用いた最適化・自動化における第一人者で、深層強化学習を用いたロボットの制御で世界最先端の研究成果を数多く発表し、最近ではAI研究を行う非営利会社であるOpenAIでも活躍しています。

今回のテクニカルアドバイザー就任では、PFNのロボティクス関連研究に対して、最新の深層学習手法をはじめとする技術的なアドバイスや指導をいただくことで、開発および実用化を加速することを目的としています。

就任に至る経緯等の詳細はResearcher Blogをご覧ください: https://preferredresearch.jp/2017/07/22/abbeel/

 

  • Pieter Abbeel ピーター・アビール

Pieter Abbeel

  • 略歴
    ベルギー・ルーヴェン・カトリック大学電子工学科修士を経て2008年スタンフォード大学にてコンピュータサイエンスの博士号を取得。同年よりカリフォルニア大学バークレー校の電気情報工学科に着任。ロボティクスと機械学習、制御の研究に従事。IEEE Robotics and Automation Society Early Career Award、Sloan Research Fellowshipなど受賞多数。BBC、New York Times、MIT Technical Reviewなどメディア登場多数。

 

■ 株式会社Preferred Networksについて https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。
オープンソースの深層学習フレームワークChainer(チェイナー)や、アプリケーションを含む統合ソリューションDeep Intelligence in-Motion(DIMo、ダイモ)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。
* その他、記載されている会社名、製品名は、各社の登録商標または商標です。

オープンソースの深層学習フレームワーク Chainer の最新版となるChainer v2をリリース

学習時のメモリ使用効率の大幅な改善など、機能強化を実施

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川 徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer(チェイナー)のメジャーアップデート版となるChainer v2をリリースしました。

2015年のChainer公式リリース以来初めてとなる大幅な機能強化を実施し、よりパワフルに、柔軟に、そして直感的に、深層学習の実装と学習が可能になります。

深層学習技術の急速な発展と応用分野の拡大にともない、深層学習フレームワークに求められる機能、ユーザーの目的も急激に変化し、多様化しています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerMN(分散深層学習)/ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。

 

今回リリースしたChainer v2では、大きく3つの機能強化・改善を行いました。

1. 学習時のメモリ使用効率を大幅に改善

学習速度を犠牲にすることなく、メモリ使用量を大幅に削減。画像認識の分野で多用されるネットワーク ResNet50を用いた学習時には、メモリ使用量を33%以上削減できることが確認されています。これにより、より大きなネットワーク設計が容易になり、また、従来のネットワークにおいても、より大きなバッチサイズでの学習が可能になります。

 

2. Chainerの付属配列ライブラリ CuPy を分離・独立し、GPUを活用した高速配列演算の応用範囲を拡大

汎用配列計算ライブラリ CuPy は、科学技術計算の分野で多用されるライブラリ NumPy と非常に高い互換性をもつため、NumPyで記述されたコードをほとんど変更することなくGPUを使って高速に実行することが可能です。今回CuPyを分離し、独立したライブラリとして開発していくことで、深層学習以外の分野の研究・開発にも応用範囲を広げ、ユーザーの拡大を目指します。

 

3. APIを整理し、より直感的に

Chainerは、複雑なニューラルネットワークをプログラムとして直感的に記述できることが大きな特長の一つです。今回、ユーザーのユースケースやコミュニティからの要望を考慮し、不要なオプションの削除やインターフェースの整理を行い、より洗練されたAPIに改善しました。さらに直感的な記述が可能になったことで、意図しないバグの埋め込みが起きにくくなります。

 

● Chainer ReleaseNote:
https://github.com/chainer/chainer/releases/tag/v2.0.0

● Chainer Upgrade Guide:
http://docs.chainer.org/en/stable/upgrade.html

● Chainer Blog:
http://chainer.org/announcement/2017/06/01/released-v2.html

 

Chainerは今後、各分野の研究者や実務者の最先端の研究・開発活動をより迅速かつ効率的にサポートするため、4ヶ月ごとにメジャーバージョンのリリースを計画しています。

Chainer v2リリースにおいても、これまで同様に外部コントリビュータの開発成果を数多く取り入れさせていただきました。PFNは今後も、サポート企業やOSSコミュニティと連携しながらChainerの開発と普及を推進してまいります。

 

■ Chainer Meetup #05 

Chainerユーザーである開発者・研究者のコミュニティーイベントです。

●日 時: 2017年6月10日(土)14:00~18:30

●会 場: 日本マイクロソフト株式会社 品川オフィス セミナールームA
(東京都港区港南2-16-3 品川グランドセントラルタワー31F)

●申 込: https://chainer.connpass.com/event/57307/

 

■ Deep Learning Lab コミュニティキックオフ

最新のディープラーニング技術を実際のビジネスへ応用するべく、技術とビジネスの両面に精通したプロフェッショナルたちが集まるコミュニティです。主要プラットフォーム/フレームワークにMicrosoft AzureとChainerを採用し、事例や最新技術動向の情報発信を行います。

●日 時: 2017年6月19日(月)9:00~12:30

●会 場: 日本マイクロソフト株式会社 品川オフィス 会議室
(東京都港区港南2-16-3 品川グランドセントラルタワー31F)

●申 込: https://dllab.connpass.com/event/57981/

 

■ オープンソースの深層学習フレームワークChainerについて  http://chainer.org/

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”アプローチによりユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計し、学習させるための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングの最新研究成果をいち早く現実世界のアプリケーションに活用するためのフレームワークを求める産業界においても、多くのユーザーに支持されています。

 

■ 株式会社Preferred Networksについて https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。
オープンソースの深層学習フレームワークChainer(チェイナー)や、アプリケーションを含む統合ソリューションDeep Intelligence in-Motion(DIMo、ダイモ)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

お絵描きコミュニケーションアプリ「pixiv Sketch」と線画自動着色サービス「PaintsChainer」が連携。イラストの自動着色機能を提供開始!

AIがイラスト制作の「着色」をサポート!イラスト上の顔や服装、風景等を認識し、自動的に着色する新機能を提供

ピクシブ株式会社(代表取締役社長:伊藤浩樹、本社:東京都渋谷区)とAIベンチャーの株式会社Preferred Networks(代表取締役社長:西川徹、本社:東京都千代田区、以下、PFN)は提携し、お絵描きコミュニケーションプラットフォーム「pixiv Sketch(ピクシブスケッチ)」に、新たにAI技術による線画自動着色サービス「PaintsChainer(ペインツチェイナー)」の機能を追加し、2017年5月24日(水)より提供開始します。

 

pixiv Sketchは、PCやスマートフォン等のデバイスを通じてお絵描きしたものをそのまま投稿できるコミュニケーションプラットフォームです。部屋の中でくつろいでいる時も、友達と外で遊んでいる時も、いつでもどこでも気軽にお絵描きをして、お絵描きを投稿することでコミュニケーションをリアルタイムに体験できます。
この度pixiv Sketchに追加する機能は、PFNが開発・提供する深層学習フレームワークChainerを使って線画および着色イラストを学習させたPaintsChainerの、塗る色を自動判断できる技術が使われています。

 

これはイラスト制作のうちの「着色」という重要な工程を手助けしてくれるもので、pixivSketch上で描いた絵や外部画像ファイルを選択して自動着色ボタンをクリックするだけで、AIがイラスト上の顔や服装、風景等を認識し、自動的に色が塗られます。また色の調整も可能で、カラーパレットから線画上の任意の箇所に、好きな色をヒントとして指定して自動着色することもできます。

 

ピクシブとPFNは、今後もAI技術や研究を通して、お絵描きをより身近で楽しいものに変えるべく、価値のあるサービス提供をしてまいります。

 

 

■下記①~④のお絵描き工程のうち、③着色工程に自動着色機能を使うことができます

■pixivSketchでの自動着色機能

  • 対応開始 :5月24日(水)
  • 費用:無料
  • URL:https://sketch.pixiv.net/ (※WEB版のみ対応)
  • 主な利用方法
    ① 線画を描く、もしくは画像を選択
    ②「自動着色」ボタンで自動着色する
    ③ 2種類から好みの着色パターンを選択
    ④ 必要に応じて、色のヒントをカラーパレットから入力し、着色を調整
    ⑤ 色指定の後、矢印ボタンをクリックし、完成!

 

 

■pixiv Sketchとは  https://sketch.pixiv.net/

「日々のお絵描きをもっと気軽で楽しいものにしたい」という想いで立ち上げた、お絵描きコミュニケーションプラットフォーム。PCやスマートフォン等のデバイスを通じて、いつでもどこでもお絵描きしたものを投稿できるサービスです。

■PaintsChainerとは  https://paintschainer.preferred.tech/

PFNが開発・提供し、2017年1月のサービス公開と同時にTwitter等で大きな反響のあった、オンライン線画自動着色サービス。白黒等で描かれた線画ファイルをアップロードするだけで、深層学習の技術を使って完全自動着色または色指定の自動着色をすることができます。

 

■株式会社Preferred Networks  https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指している。最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進している。

所在地:東京都千代田区大手町1-6-1 大手町ビル2F

代表取締役社長:西川徹

設立日:2014年3月26日

 

■ピクシブ株式会社  http://www.pixiv.co.jp

所在地 : 東京都渋谷区千駄ヶ谷4-23-5 JPR千駄ヶ谷ビル2F

代表取締役社長:伊藤浩樹

事業内容:インターネットサービス事業

設立日:2005年7月25日

 

*Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

*その他、記載されている会社名、製品名は、各社の登録商標または商標です。

Preferred Networksとマイクロソフト、ディープラーニングソリューション分野で戦略的協業

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)とマイクロソフト コーポレーション(本社:米国ワシントン州レドモンド、CEO:サティア ナデラ、以下マイクロソフト)は、人工知能や深層学習の実社会での活用を推進するため、ディープラーニングソリューション分野において戦略的協業することで合意しました。

今回の協業により、マイクロソフトのパブリッククラウドプラットフォームMicrosoft AzureとPFNの深層学習テクノロジーの連携を推進し、各業種業態のビジネス課題を解決する深層学習ソリューションを提供します。本協業の日本市場における展開を、日本マイクロソフト株式会社(本社:東京都港区、代表取締役 社長:平野 拓也)が全面的に支援します。

 

両社は、本協業を通して①テクノロジー、②人材育成、③マーケティング、の3つの軸で連携を進めます。

1.テクノロジー:

  • 深層学習に関わる技術者の課題として、複雑化するニューラルネットの学習時間の増大、増加し続けるデータの煩雑な管理、絶え間なく技術革新するアルゴリズムへの対応、深層学習を用いたシステム開発の方法論などが挙げられます。今回の協業では、2017年夏に、Microsoft AzureのIaaS と PFNの深層学習フレームワーク Chainerの親和性を高め、Chainer / ChainerMN(Multi Node)をワンクリックでAzure IaaS 上に展開する Azure Templateの提供、データサイエンスVMへのChainer 搭載、Azure Batch ServicesおよびSQL ServerのChainer対応、そしてChainerのWindows対応などを進めることで、課題の解消を図ります。

 

  • 現在主流であるニューラルネットワークのスクラッチ開発は高度な技術的知識が求められ、必要とされる投資金額も非常に大きくなっています。深層学習の実社会への適用を推進するためにはスクラッチ開発から、標準化されたソリューションへの移行が必須です。これを推進するため、Microsoft Azureのデータ収集分析サービスとPFNの深層学習プラットフォーム Deep Intelligence in-Motion(DIMo、ダイモ)を組み合わせ、特定のワークロードや業種向けソリューションを2017年中に提供します。また、そのソリューションを展開するパートナーを両者で支援し育成を行い、より広い実社会への実装を加速させていきます。

2.人材育成:

  • データサイエンス人材の育成は深層学習の実社会への応用の主要な課題の1つです。この課題を解消するために両社が連携し、大学の学生、企業内のエンジニア・研究者向けのトレーニングプログラムを2017年中に提供します。また、高等教育機関向けには政府機関などのデータ関連人材育成プログラムへの参加を検討していきます。

 

  • トレーニングプログラムはニューラルネットワークの基礎を学ぶ初級クラスだけではなく、実際に深層学習の実ビジネス事例をテーマに応用方法を学ぶ上級クラスまで提供します。これらのトレーニングを通して3年間で5万人の人材育成を計画しています。国際競争力のある IT 人材育成を目的とする世界最大の学生向けの IT コンテストであるImagine CupやAzure for Research などのプログラムをトレーニングのゴールとして用意します。

3.マーケティング:

  • 深層学習は機械学習の手法の1つですが、現在人工知能という広範な意味を含む言葉に含まれる形で多くの人の目に触れています。その結果、お客様のビジネス課題を解決するために深層学習が有効なのかどうか見極めが難しくなっています。これまでマイクロソフトとPFNが培った深層学習ビジネスの知見および、Microsoft Azure、Chainer、DIMoを活用した実際の成功事例をもとに、2017年夏に各業種に向けたお客様ワークショップを開始します。

 

  • Chainer、DIMoが提供する最新の深層学習テクノロジーを、強固なAzure基盤上に組み込むことにより、お客様の基幹システムに組み込めるエンタープライズグレードのエンドツーエンドソリューションを2017年内目途で提供します。

 

  • 深層学習でビジネス課題を解決したいお客様と、深層学習のコンサルティングや展開を行う企業とのマッチングの場として、コミュニティ”Deep Learning Lab(ディープラーニング・ラボ)”を発足し、2017年6月19日(月)および7月25日(火)の両日、コミュニティの主旨説明会を開催します。https://dllab.connpass.com/

 

 

■株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/)

 

■日本マイクロソフト株式会社について

日本マイクロソフトは、マイクロソフト コーポレーションの日本法人です。マイクロソフトは、モバイル ファースト&クラウド ファーストの世界におけるプラットフォームとプロダクティビティのリーディングカンパニーで、「Empower every person and every organization on the planet to achieve more.(地球上のすべての個人とすべての組織が、より多くのことを達成できるようにする)」を企業ミッションとしています。

日本マイクロソフトは、この企業ミッションに基づき、「革新的で、安心でき、喜んで使っていただけるクラウドとデバイスを提供する会社」を目指します。

 

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

* Microsoft、Azure、Surface、Cortana は、米国 Microsoft Corporation の米国およびその他の国における登録商標または商標です。

* その他、記載されている会社名、製品名は、各社の登録商標または商標です。

 

オープンソースの深層学習フレームワークChainerに、 マルチノードでの分散学習機能を追加するChainerMN(β版)をリリース

本日、株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer(チェイナー)に、複数GPUの連携による分散学習機能を追加することで、学習速度を高速化させた追加パッケージ ChainerMN(チェイナー・エムエヌ、「MN」は「Multi Node」の略、https://github.com/pfnet/chainermn)のβ版をリリースしました。

GPUの性能は継続的に向上していますが、より大きなデータを活用し、より精度の高い学習モデルを実現するために、深層学習で使われるモデルのパラメータ数や計算量も増大しています。そのため現在でも、Chainer を含む一般的なフレームワークを用いた標準的な学習では 1週間以上かかるようなユースケースが少なくありませんでした。

PFNでは、より大規模なデータを扱ったり、試行錯誤のイテレーションを効率化するために、複数のGPUを連携させ、マルチノードでの分散学習機能を実装したChainerMNを開発しました。実験では「32ノード/128GPU」を動作させ、「1ノード/1GPU」で約20日を要する学習を、4.4時間で終わらせることに成功しています。

 

  • ChainerMNと他のフレームワークとの性能比較実験

https://research.preferred.jp/2017/02/chainermn-benchmark-results/

128 GPU を用い、速度のために精度を犠牲にしない実用的な同一設定下で、各フレームワークが学習完了に要する時間を比較した実験では、ChainerMN が最も高速という結果になりました。

 

また、GPU 数を変えた時の各フレームワークのスループットでは、1GPU の時にはC++ で記述されたMXNet, CNTK のほうがPython で記述されているChainerMN よりも高速であるものの、128 GPU では、ノード内・ノード間の両方で高速な通信を実現した ChainerMN が最も高速であり、スケーラビリティがあるという結果になりました。

 

ChainerMNは高速でスケーラブルなだけでなく、Chainerのユーザーであれば既存の学習コードから数行の変更をするだけで簡単にChainerMNを利用可能です。

ChainerMNは既に社内の複数のプロジェクトで利用されており、自然言語処理分野や強化学習分野での試用も始まっています。

 

  • オープンソースの深層学習フレームワークChainerについて

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。(http://chainer.org/

 

  • 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

 

*Chainer、DIMoは、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

 

インテルとPreferred Networks、ディープラーニング向けオープンソースフレームワークChainerの開発で協業インテル アーキテクチャ上でChainerの実行パフォーマンスの大幅な向上を目指す

インテルコーポレーション(本社:米国カリフォルニア州サンタクララ)と株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、本日、PFNが開発・提供するディープラーニング向けオープンソースフレームワークであるChainer(R)(チェイナー、http://chainer.org/)の開発で協業すると発表しました。今回の協業により、インテルの汎用インフラ上でChainerのパフォーマンスを大幅に向上することを目指します。

 

今後、IoT(モノのインターネット)や5G(第5世代移動通信システム)、AI(人工知能)などの先進的なテクノロジーがさまざまな産業分野で活用され、データを中心としたビジネス機会や利用体験を生み出していくことが予想されています。特にAIやディープラーニングに関するテクノロジーの進化により、データが持つ価値をさらに高めるアプリケーションの創出が加速します。

AIやディープラーニングに関するフレームワークなどのテクノロジー、そしてアプリケーションの開発/実装は、特定用途向けのコンピューティング環境のもとで進められています。そして、このことが、開発者コミュニティにおける、開発の複雑性、時間、コストなどの制約となっています。
この状況を踏まえ、AIの開発をより容易に進められるよう、各産業向けアプリケーション開発者にとって使いやすく、先進的なディープラーニング・フレームワークとして実績のあるChainerを開発・提供するPFNと、汎用コンピューティング テクノロジーや業界をリードするAI/ディープラーニング向けアクセラレーターを提供するインテルが共同で取り組みます。両社のテクノロジーを活用し、AIやディープラーニング向けの先進的なフレームワークを活用したアプリケーションの開発/実行の最適化を進め、画像認識や機械制御、異常検知などの性能向上を目指します。

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

インテルは、業界をリードするテクノロジー企業として、AIコンピューティング時代をさらに加速させるための独自の地位を築いています。そして、インテル(R) Xeon(R)プロセッサー、インテル(R) Xeon Phi™プロセッサー、インテル(R) Arria 10 FPGA、インテル(R) Nervana™ テクノロジーなど、業界で最も幅広いAI向けコンピューティング製品とChainerとの組み合わせにより、ディープラーニング向けに革新的な処理能力を実現できるよう支援します。また、このChainerフレームワークでは、高度に最適化されたオープンソースのライブラリであるインテル(R) Math Kernel Library(MKL)およびインテル(R) Math Kernel Library Deep Neural Network(MKL-DNN)を基盤となるビルディングブロックとして採用します。

 

インテルとPFNは、今回の協業を通じて以下の取り組みを推進します。

  • インテル アーキテクチャ上での、Chainerの実行パフォーマンスを継続的に最適化
  •  Chainerのアップデートへの継続的な対応
  •  汎用コンピューティング、アクセラレーター、ライブラリなどのインテル アーキテクチャのアップデートに対するChainer最適化の継続的な対応
  •  インテルのGithub(https://github.com/intel/chainer)において両社の協業成果を開発者コミュニティに公開
  •  AI/ディープラーニング市場の成長を加速するためのプロモーション活動での協

■インテルについて

インテルは、テクノロジーの可能性を広げ、この上ない感動体験を提供します。インテル、そしてインテル10万人以上の社員による創造の成果については、newsroom.intel.comまたはintel.comでご覧ください。

 

■株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

 

*Intel、インテル、Intel ロゴは、米国およびその他の国におけるインテル コーポレーションの商標です。

*Chainer、DIMoは、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

ソラコムと Preferred Networksが独ハノーバーで開催される「CeBIT2017」で機械学習技術をIoT機器の上で利用する「エッジヘビーコンピューティング」の共同デモを実施

株式会社ソラコム(本社:東京都世田谷区、代表取締役社長:玉川憲、以下、ソラコム)と、株式会社 Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、以下 PFN)は、3月20日から24日に独ハノーバーで開催される「CeBIT(セビット)2017(国際情報通信技術見本市)」において、PFNが開発する深層学習の技術を、ソラコムに繋がったIoT機器の上で利用する「エッジヘビーコンピューティング」の共同デモを行います。

ソラコムは、IoT通信プラットフォーム「SORACOM」を提供しています。「SORACOM」を採用することにより、IoTに特化した無線通信を、リーズナブルに、WebコンソールもしくはAPI からプログラマブルにご利用いただけるだけではなく、通信経路上での暗号化や、クラウド連携など、セキュアかつ迅速にIoTシステムを構築・運用いただけます。

PFNは、IoTと深層学習をはじめとする機械学習の技術に強みを持ち、製造業や交通、バイオ・ヘルスケアを中心とする応用分野で高度なインテリジェンスを実現するため、分散協調的にデータ解析処理を行うプラットフォーム製品の開発・提供を行っています。

ソラコムが提供するセルラー回線などの無線技術により、IoT機器からデータを直接クラウドに送信することは簡易になってきています。しかし、帯域やデータ量を考えた場合、映像や音声といった大規模データをリアルタイムで継続的に送信することは、依然として課題があります。

今回のデモ展示は、IoT機器上で深層学習技術を実行し、データ解析することで、これらの課題を解決し、本当に価値のあるデータだけを効率的にクラウドへ送信することを可能にするものです。PFNではこの技術を「エッジヘビーコンピューティング」と呼んでいます。この手法を用いることで、高度なリアルタイム解析と、小さいデータ通信量の両立、加えて映像データ自体は解析後すぐ破棄するためプライバシーなどの問題も解決することができます。

 

エッジヘビーコンピューティング」の共同デモ詳細:

1.デモの内容

IoT機器に接続されたカメラに映った人物のデモグラフィックをその場で分析し、分析結果のみをクラウドへ転送して可視化を行うデモです。
今回、組み込み向けの高性能GPUモジュールである「NVIDIA(R) Jetson(TM) TX1」上でPFNの深層学習プラットフォーム「DIMo(ダイモ、Deep Intelligence in-Motion)」を動作させます。そして、「NVIDIA Jetson TX1」に接続されたカメラに映った人物のデモグラフィックをその場で映像に基づいて分析します。その後、要約された情報のみを「SORACOMAir」でクラウドに転送し、「SORACOM Harvest」を利用して可視化します。

 

2.「エッジヘビーコンピューティング」のメリット

カメラがとらえた人物の年齢・性別や映像内の位置情報と言った大ざっぱな情報だけをクラウドに転送することで得られるメリットは以下の通りです。

  •  映像を直接クラウドに送って解析する典型的なケースと比べて圧倒的に小さいデータを送るだけで済む
  • データサイズを気にせずに高品質で高い解像度の映像を分析できる
  • クラウドに映像を送る場合は解像度と品質を落とさなければならないため、分析の難易度が上がる
  • 映像はクラウドに蓄積せず、分析後カメラ側で破棄するためプライバシーを守りやすい

 

3.共同デモの展示詳細

時期:2017年3月20日~24日

会場:ドイツ・ハノーバー「CeBIT(セビット)2017(国際情報通信技術見本市)」

ブースナンバー:Hall 12, Stand B37   http://www.cebit.de/exhibitor/soracom-dk/U177198

※なお、ソラコムとしては、Japan Pvillion内、Hall 4, Stand A38 にもブースがありますが、上記のデモ展示はHall 12のみとなります。

 

「エッジヘビーコンピューティング」の共同デモにあたり、エンドースメントのご紹介

エヌビディア合同会社様に、本デモ展示にあたり、エッジデバイスをご提供いただきました。

エヌビディア合同会社 日本代表 兼 米国本社副社長 大崎真孝様

「エヌビディアはAIコンピューティングカンパニーとして、サーバーサイドのディープラーニングの学習からエッジサイドでの推論まで、End-to-Endでソリューションを提供しています。今回の「エッジヘビーコンピューティング」のデモはエヌビディアのディープラーニングソリューションを具現化するものであり、今後も両社の取り組みをサポートして参ります。」
demo1

demo2

株式会社ソラコムについて

株式会社ソラコムは、 IoT 向けの通信プラットフォーム「SORACOM」を提供します。このプラットフォームは、2015年9月にサービス提供開始された、IoTに特化したモバイル通信サービスです。お客様はSORACOMを利用することにより、IoTシステムに不可欠な通信を、リーズナブルに、セキュアに、プログラマブルにシステムに組み込むことができます。

 

株式会社 Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、新しいイノベーションの実現を目指しています。
最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

 

NVIDIA Jetson TX1について

Jetson TX1 はクレジットカードサイズのモジュールに搭載されたスーパーコンピューターです。 NVIDIA Maxwell(TM) アーキテクチャ、256 NVIDIA CUDA(R) コア、64 ビット CPU を備え、非常に効率的な処理能力を見せます。また、ディープラーニング、コンピュータービジョン、GPU コンピューティング、グラフィックスの最新技術を備え、組み込みビジュアル コンピューティングに最適なモジュールとなっています。

NVIDIA Jetson TX1

 

***********************************************************

■会社概要

会社名: 株式会社ソラコム
代表取締役社長: 玉川憲
本社: 東京都世田谷区玉川四丁目5番6号尾嶋ビル3F
資本金: 37億2755万4044円(資本準備金含む)
ウェブサイト https://soracom.jp/

会社名: 株式会社Preferred Networks
代表取締役社長: 西川徹
本社: 東京都千代田区大手町1丁目6番1号大手町ビル2F
ウェブサイト https://www.preferred-networks.jp

※DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標です。また、記載されている会社名および商品名は、各社の商標または登録商標です。

 

人工知能(AI)を活用した統合的がん医療システム開発プロジェクト開始

国立研究開発法人 国立がん研究センター(理事長:中釜 斉)と株式会社Preferred Networks(代表取締役社長:西川 徹、以下、PFN社)、国立研究開発法人 産業技術総合研究所(理事長:中鉢 良治、以下、産総研)人工知能研究センター(研究センター長:辻井 潤一)は、国立研究開発法人 科学技術振興機構の戦略的創造研究推進事業(CREST)における「イノベーション創発に資する人工知能基盤技術の創出と統合化」研究領域に採択され、人工知能(AI:Artificial Intelligence)技術を活用した統合的ながん医療システムの開発プロジェクト(以下、本プロジェクト)を開始します。

本プロジェクトでは、国立がん研究センターに蓄積されている膨大な罹患者の詳細な臨床情報やマルチオミックスデータ*1(ゲノム、エピゲノム*2、画像情報および血液など網羅的な生体分子情報)、さらに疫学データと文献情報を、AI技術を利用して統合的に解析し、日本人のがん罹患者個々人に最適化された医療(Precision Medicine)の提供を目指した革新的がん医療システムの開発を目的とします。また、システムを実用化し、社会全般に普及させることにより、がん医療の質の向上を推進することを目指します。

 

■背景
国立がん研究センターは、これまで世界でも有数の質の高いがんの基礎研究・臨床研究および疫学研究を長い間継続的に行なっており、蓄積されたがんの診断データは膨大な量になります。これらを統合的に解析することで、個々人に最適化された医療を提供できると考えられていますが、これまでは、このようながんに関するビッグデータを解析する手法が無く、実現に至っておりませんでした。しかし、近年、診断に利用されるデータの電子化が進んできたこと、複数のコンピュータやプロセッサを利用した分散処理技術の発展によりビッグデータ解析が可能になってきたこと、および、深層学習に代表される AI技術の発展により、構造化されたデータのみならず、構造化されていない多様ながんのビッグデータであっても、統合解析をすることで、医療の質の向上へと繋げられる可能性が高まってきました。

 

■研究概要
本プロジェクトでは、最前線の深層学習技術の研究開発・産業化を推進しているPFN社、およびAI研究開発を先導する産総研 人工知能研究センターと共同で、国立がん研究センターが保持している膨大ながんに関する臨床データ、マルチオミックスデータおよび疫学データを統合的に解析するメディカルAI技術を開発します。その上で複雑ながんの本態を解明し、がんの診断・治療および創薬へ応用していきます。例えば最近様々な分野で利用が広がる深層学習技術をPFN社はがん診断に適用することで、様々ながんの早期予測精度を画期的に改善することを示し始めています。また、産総研で研究されている機械学習・統計手法により、がんの有無・進行度の判別や効果ある治療法の選択が容易になるバイオマーカー(生体物質)探索の効率化が期待できます。このように最先端のAI技術を導入することで、より迅速でかつ精度の高いがんの診断・治療および創薬システムを、産・官・学が密接に連携して開発します。

がん医療に伴うAI開発においては、電子化・構造化されたデータのみならず、様々な非構造化がんデータベースの構築と、その多彩なデータベースを解析できる機械学習・深層学習技術の開発が必要になります。そのため、本プロジェクトでは、まず、機械学習・深層学習の適用が可能な正規化されたがんのデータベースを構築し、その上で機械学習・深層学習を利用して解析します。対象としてクリニカルシークエンス*3(ゲノム)データ、ヒストン修飾*4を中心としたエピジェネティクスデータ*5および血液検査データに重点を置き、より正確ながんの診断、個々のがん罹患者にあった治療法の選択、創薬へ応用していきます。CREST事業が求める最初の2年4カ月でProof of Concept (POC:概念実証)の取得を目指し、5年後を目処に実用化を目指していきます。

Concept diagram of this project

 

■採択された研究課題

国立研究開発法人 科学技術振興機構 戦略的創造研究推進事業(CREST)
研究領域: 「イノベーション創発に資する人工知能基盤技術の創出と統合化」
課題名: 「人工知能を用いた統合的ながん医療システムの開発」
代表者: 国立がん研究センター 研究所 がん分子修飾制御学分野長 浜本 隆二

 

■用語解説
*1 マルチオミックスデータ
網羅的な生体分子についての情報であり、ゲノム(Genome)やトランスクリプトーム(Transcriptome)、プロテオーム(Proteome)などと呼ばれる、様々な網羅的な分子情報をまとめた情報。

*2 エピゲノム
DNA塩基配列の変化を伴わずにDNAやヒストンへの化学修飾が規定する遺伝情報。

*3クリニカルシークエンス
臨床検体を用いたがん関連遺伝子変異の網羅的解析。

*4ヒストン修飾
クロマチン構成タンパク質であるヒストンに認められるアセチル化、メチル化、リン酸化、ユビキチン化などの化学修飾

*5エピジェネティクスデータ
エピゲノム(*2)の網羅的解析によって得られるデータ。主にDNAメチル化およびヒストン修飾を指すことが多い。

 

■お問合せ先
国立研究開発法人 国立がん研究センター
企画戦略局 広報企画室
〒104-0045 東京都中央区築地5-1-1
TEL: 03-3542-2511(代表) FAX:03-3542-2545 E-mail:ncc-admin@ncc.go.jp

株式会社Preferred Networks
〒100-0004 東京都千代田区 大手町1丁目6−1 大手町ビル2F
E-mail:pfn-info@preferred.jp
URL:https://www.preferred-networks.jp

国立研究開発法人 産業技術総合研究所
企画本部 報道室
〒305-8560 茨城県つくば市梅園1-1-1 中央第1
つくば本部・情報技術共同研究棟8F
TEL:029-862-6216 FAX:029-862-6212 E-mail:press-ml@aist.go.jp

Press Conference

 

※11月29日記者発表の様子

PFNがん研究所 (PFN Cancer Research Institute (PCRI))の設立について

PFNがん研究所 (PFN Cancer Research Institute (PCRI))の設立について

 

株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、自動車、製造業、そしてバイオヘルスケアの3つの分野を重点事業領域として研究開発、産業化を進めております。

特にバイオヘルスケアの分野においては、近年の次世代ゲノムシークエンサーの発展により、ゲノム解析(DNA, RNA, マイクロRNAや、エピゲノムを含む)による個別化医療が実現可能な時代が近づいてきました。しかしながら、個別化医療を実現するためには、ディープラーニング(深層学習)など最先端の人工知能(AI)技術を活用し、大量のゲノムデータを正確に分析し、各医療機関とも密接に連携を取りながら、個別化医療実現に向けて努力することが急務となっています。

PFNは、その第一弾として、東京大学産業連携プラザにPFNがん研究所 (PFN Cancer Research Institute (PCRI))を設立しました。PCRIでは、次世代シークエンサーを利用したウェットラボを立ち上げ、最新バイオテクノロジーとディープラーニングに代表される最先端の人工知能技術との融合領域の研究・産業化を進めていきます。具体的には、診断、治療、創薬の3つの分野において、深層学習を利用したがんゲノム研究を進め、
1)新規がん診断法の確立、
2)ゲノム分析によるがん治療方針の決定、最適治療薬の選択や術後の予測、
3)それぞれの患者に適応した個別化創薬、
など革新的な個別化医療を実現できるようイノベーションを起こし続けます。

PFNはこれからも、最先端の人工知能技術をいち早く様々なヘルスケアの分野に応用し、皆様の健康やQOL( Quality of Life:生活の質) の向上のために貢献していきます。

■ 本件に関するお問い合わせ先
株式会社Preferred Networks
pfn-info@preferred.jp