コンチネンタル、車両AIシステム訓練用にNVIDIA　DGX 搭載の自社スーパーコンピューターを構築

• コンチネンタルとNVIDIAがNVIDIA DGX AIシステムをベースとした高性能クラスターを設計、自律運転開発のパフォーマンスを強化
• 新たなクラスターは開発時間を数週間から数時間の単位に短縮
• 主なユースケース: 深層学習、シミュレーション、バーチャルデータ生成      

_{こちらは現地時間2020年7月28日にドイツ・フランクフルトで発行されたプレスリリースの抄訳です。英文の原文との間で解釈に相違が生じた際には原文が優先します。}

自動車業界は変化しており、開発サイクルも短くなっています。技術的リーダーシップを高めるため、NVIDIA InfiniBand DGXシステム搭載の自社人工知能 (AI) 用スーパーコンピューターの構築に投資してきました。ドイツ・フランクフルトのデータセンターから運用、計算能力やストレージを世界中の開発者に提供しています。AIは、先進運転支援システムを強化し、モビリティをよりスマートで安全に、中期事業計画内にて自律運転の実現を目指します。

コンチネンタルのADAS事業部プログラムマネジメントシステム部長、クリスチャン・シューマッハ(Christian Schumacher) は次のように述べています。「スーパーコンピューターは私たちの未来への投資です。この最先端システムでは、少なくとも14倍以上の実験を同時に行うことができるため、ニューラルネットワークの訓練時間の削減が可能です。」

「パートナー選定にあたり、2つの事、品質とスピードを重視しました。」シューマッハは言います。「本プロジェクトは、1年以内の実現を目指すという意欲的なスケジュールで立ち上がりました。徹底的なテストとスカウティングを経て、コンチネンタルは世界最速のスーパーコンピューターに多く採用されているNVIDIA社を選択しました。」

NVIDIA社のエンタープライズ コンピューティング ヘッドのマヌバー・ダス氏 (Manuvir Das) は、次のように述べています。「NVIDIA DGX システムはコンチネンタルのようなイノベーターに、コスト効率と導入しやすいエンタープライズ向けソリューションを提供します。自律車両トレーニングにInfiniBand NVIDIA DGX PODシステムを使用することで、コンチネンタルは次世代の最もインテリジェントな車両と、その設計に使用されるITインフラを設計しています。」

コンチネンタルのスーパーコンピューターは、NVIDIA Mellanox InfiniBandに接続された50以上のNVIDIA DGXシステムで構築されています。本システムは、公表されているスーパーコンピューターTOP500のリストに、自動車業界の首位システムとしてランク付けされています。必要に応じてクラウドソリューションを利用し、容量とストレージを拡張できる、ハイブリッドアプローチが選択されています。「スーパーコンピューターはITインフラエンジニアリングの傑作です。現在のパフォーマンスと機能を完全なものにし、将来の拡張に備えたスケーラビリティを確保するため、チームは細部にわたって計画を行いました。」シューマッハは今回のプロジェクトについて説明します。

先進運転支援システムは、AIを使用して車両が意思決定を行い、ドライバーをアシストし、最終的には自律運転を可能にします。レーダーやカメラなどの環境センサーがデータを提供、そのデータは、インテリジェントシステムによってリアルタイムに処理され、車両の周囲の包括的モデルを生成し(認知)、環境との相互作用についての戦略を考案 (判断)します。最終的には、計画どおりに車両が作動するよう、制御されなくてはなりません (操作)。しかし、システムが複雑になるにつれ、従来のソフトウェア開発方式や機械学習方式では限界に達しています。ディープラーニングとシミュレーションはAIベースソリューションの開発において基本的な方法となっています。

ディープラーニングによって、人工ニューラルネットワークは、機械が経験によって学習し、新たな情報を既存の知識と結びつけ、本質的に人間の脳内の学習プロセスを模倣します。子供はあらゆる車種の写真を数十枚見せられた後でも車を認識することができますが、ドライバーを支援したり自律的に車を操作するニューラルネットワークを訓練したりするには、数百万枚の画像を使用して数千時間の訓練を行う必要があるため、膨大なデータ量が必要となります。NVIDIA DGX POD はこの複雑なプロセスに要する時間を短縮するだけでなく、新技術の市場投入までの時間も短縮します。

ハンガリー・ブタペストにあるコンチネンタルのAIコンピテンスセンター長で、チームとともにAIベースのイノベーションのインフラ設計に携わるバラツ・ロランド(Balázs Lóránd) は、次のように述べています。「全体として、ニューラルネットワークの完全訓練への所要時間を、数週間単位から数日レベルまで短縮することを計算しています。開発チームは、この数年間で人数を増やし、経験を蓄積してきました。スーパーコンピューターを使用することで、必要に応じて計算能力をさらに拡張し、開発者の可能性を最大限活用できるようになります。」

現在のところ、主にコンチネンタルの試験車両からのデータをニューラルネットワーク訓練に使用しています。毎日約15,000 kmをテスト走行し、約100テラバイトのデータを収集しています。これは映画50,000時間分に相当します。データ再生や、試験走行をシミュレーションすることにより、記録データを新システム訓練に使用します。スーパーコンピューターを使用すると、データを合成によって生成することができます。仮想環境を移動することで学習する、非常に大きな計算能力を消費するユースケースです。

このことは、開発プロセスに次のような利点をもたらします。まず第1に、必要な訓練シナリオをシステム自体で即座に作成できるため、長期的に見れば、車両が物理的に生成したデータの記録、保存、マイニングが不要になるかもしれません。第2に、実際の車両では走行に数週間かかる距離を、仮想車両は数時間でテスト走行することができ、スピードが増します。第3に、データの合成生成により、変化する予測不可能な状況を、システムが処理することが可能となり、最終的には、変化する異常気象の中を安全に運行し、歩行者の動きに対して安全予知をし、より高度な自動化への道を開いていきます。

拡張性は、NVIDIA DGX PODシステム構想の背後にある主な推進力でした。技術を通じ、機械は、人間が制御する方法よりも速く、より包括的に学習することができ、その潜在的性能は進化段階ごとにますます拡大します。

このスーパーコンピューターはフランクフルトにあるデータセンターに設置されています。クラウドプロバイダーに近いこと、さらに重要なこととして、冷却システム、接続性、電源といった特定の要件を満たすAI対応環境として、この場所が選定されました。電力供給には、認定グリーンエネルギーを使用し、設計上、GPUクラスターはCPUクラスターよりもはるかにエネルギー効率に優れています。