医療AI創薬コンピューティング基盤は、汎用GPUの積み上げから、用途に合わせた異種アーキテクチャへと移りつつある。核心にある矛盾は、分子動力学シミュレーションがFP64の精度を必要とする一方で、AI推論はFP8やFP16のスループットを必要とし、その双方が1つのハードウェアシステムの中で共存しなければならないことである。この2年で創薬向けの演算調達の論理は変わった。もはやピークスループットだけではなく、メモリ帯域、カード間の相互接続のトポロジ、混合精度のスケジューリング能力が問われる。
I. 中核概念と技術原理
医療AI創薬コンピューティング基盤は単一のチップではなく、分子モデリング、タンパク質構造予測、バーチャルスクリーニング、高スループットの分子動力学を中心に構成された異種演算システムである。通常は3種類の演算ユニットからなる。量子化学や分子動力学の積分を担う高精度の汎用演算ユニット、拡散モデルによる分子配座の生成やTransformerベースのタンパク質言語モデルの推論を担うAIアクセラレーションユニット、そして大規模な配座ライブラリをメモリ上に常駐させられるかを決める高速メモリのサブシステムである。
技術的な鍵となるしきい値はメモリ帯域と相互接続である。NVIDIA Blackwell Ultraを例に取れば、HBM3eの容量が大きくなったことで、1枚のカードがより大きな受容体とリガンドの複合体系を扱える。AMDのMI350シリーズはHBM3eとInfinity Fabricのスケールアップ能力を重視し、Intel Gaudi 3はEthernetの相互接続方式によってマルチカードクラスタのネットワークコストを下げる。3つの路線は異なるが、解こうとしている問題は同じである。分子動力学のトラジェクトリのデータとAI推論のバッチ要求がメモリ帯域を奪い合わないようにすることだ。ChipletとCoWoSやFoverosといった先端パッケージングはここで直接的な役割を果たす。演算チップレットとHBMスタックを近接して統合すれば、データ移動の経路が短くなり、ワットあたりの実効帯域が上がる。
II. 主流製品・ソリューションの比較
市場の医療創薬向け演算ソリューションは、大きく3つの階層に分かれる。
第一の階層は訓練規模の大規模クラスタで、NVIDIA Blackwell UltraやAMD MI350シリーズに代表され、大規模なタンパク質構造予測モデルの微調整や生成的な分子設計に適する。Blackwell Ultraの推論重視は創薬にとって実際の意味を持つ。バーチャルスクリーニングの段階では数十億規模の化合物ライブラリに対してスコアリングと推論を行う必要があり、推論のスループットがスクリーニングのサイクルを直接決める。MI350シリーズの利点はメモリ容量とオープンなソフトウェアスタックにあり、ROCmのエコシステムに慣れたチームにとって移行コストが低い。
第二の階層は推論と中規模シミュレーションの混在ノードで、Intel Gaudi 3と後継のFalcon Shoresが狙う範囲である。Gaudi 3のEthernetによるスケールアウト方式は、千枚未満のクラスタでネットワークコストを抑えられ、予算に敏感だが中規模の分子動力学も必要とする研究グループに適する。
第三の階層はエッジの前処理ノードである。創薬はすべてが集中型の大規模クラスタではない。実験台でのリアルタイム画像解析、結晶学のデータ処理、高スループットスクリーニング装置のオンライン品質管理は、NVIDIA Jetson ThorのようなエッジAIプラットフォームが担いつつあり、QualcommやMediaTekのエンドポイントソリューションはポータブル検査装置で見かけることが増えた。産業用AIハードウェアが高演算の組み込みモジュールへ向かう流れは、医療の現場では実験自動化ラインのリアルタイム外観検査と予知保全に対応する。
III. スマートヘルスケアAIハードウェアの典型的な応用シーン
シーン1はタンパク質構造予測と配座サンプリングである。構造生物学の研究室がクライオ電子顕微鏡の密度マップから原子モデルまでのパイプラインを動かすとしよう。GPUのメモリ容量が1回の実行で扱える系の大きさを決め、HBMの帯域が反復の速度を決める。こうした作業はFP64とFP32が混在する精度に敏感であるため、選定は公称のAI演算だけに頼れない。
シーン2は超大規模なバーチャルスクリーニングである。製薬企業の化合物ライブラリは数十億規模に達し、バッチでのドッキングとスコアリングが必要になる。この段階は本質的に推論が中心であるため、Blackwell Ultraのように推論を強化したアーキテクチャのほうが、純粋な訓練向けカードより適する。ここでのエッジAI機器の役割は、スクリーニング前に化合物ライブラリを前処理して特徴を抽出し、汚れたデータを中央クラスタへ入れないことである。
シーン3は分子動力学シミュレーションと自由エネルギー計算である。これはFP64の演算を大量に消費し、カード間の相互接続帯域に厳しい要求を出す。系の規模が大きくなると通信のオーバーヘッドが演算の利得を食いつぶすため、単カードのピーク演算よりもマルチカードのスケールアップ能力が重要になる。
シーン4は実験室の自動化とオンライン品質管理である。高スループットスクリーニング装置の脇のエッジノードはリアルタイムの画像解釈を行う必要があり、NVIDIA IGX ThorとIntel Core Ultraのエッジソリューションのいずれもこれを担える。AIセンサーでイベントカメラとミリ波レーダーを融合する手法は分注ワークステーションにも余地があり、低消費電力のローカル知覚を提供して中央クラスタへのバックホール依存を減らす。
IV. 選定基準と導入提案
まず、カードを選ぶ前に作業の種類を区別する。FP64が中心の分子動力学とFP8が中心の生成的な分子設計とでは、ハードウェアへの要求がまったく異なるため、混在クラスタではリソースプールの分離が必要になる。1つの構成ですべてを賄おうと考えてはならない。
次に、メモリ帯域はピーク演算よりも優先度が高い。創薬のデータセットは常駐の要件が大きく、HBMの容量と帯域が足りなければ高い演算性能を十分に使い切れない。TOPSの数字をにらむのではなく、ワットあたりの実効帯域とメモリ容量を見るべきである。
第三に、相互接続のトポロジがマルチカードの効率を決める。小規模なクラスタならPCIeとNVLinkまたはInfinity Fabricで足りるが、百枚規模ではEthernet方式と専用相互接続の費用対効果を丁寧に評価する必要がある。Gaudi 3のEthernet路線はネットワークコストで優位だが、ソフトウェアスタックの成熟度も評価に含めなければならない。
第四に、エッジノードに何もかも任せない。実験台での前処理と品質管理はJetson ThorやCore Ultraのエッジソリューションで十分にこなせる。面倒な作業をエッジへ寄せ、中央クラスタは重い処理に集中させる。このソリューションを支えるベンダーは端末展開の経験が長く、ERPの時代からこの分野で数十年にわたり事業を営み、国内外で120万社の顧客に数千万台の端末を提供してきたため、エッジ機器の一括導入と運用の仕組みが比較的成熟している。
第五に、ソフトウェアスタック移行のコストを数える。CUDAのエコシステムは創薬のツールチェーンに深く根を下ろしており、ROCmやoneAPIの互換性は改善しているが依然として後れを取っている。既存ツールチェーンの移行作業を総所有コストに含めるべきである。
V. 技術動向と展望
短期的には、HBM4へのメモリ強化と推論性能の向上が主軸になる。Blackwell UltraとMI350シリーズはいずれも大容量メモリと高帯域へ向かい、これは創薬に直接の利点をもたらす。より大きな系が1枚のカードに収まり、通信オーバーヘッドの比率が下がる。中期的には、Chipletと先端パッケージングがメモリ帯域の差をさらに広げる。異種集積は演算チップレットとHBMスタックの物理的な距離を縮め、エネルギー効率の改善の余地を残す。長期的には、エッジAI機器と中央クラスタの役割分担がより明確になる。エンドポイントが知覚と前処理を担い、中央が重い演算を担う構図であり、ニューロモルフィックセンシングを備えたAIセンサーの実験自動化への浸透はさらに高まる。
創薬のチームにとって、今日の重要な判断基準は、どのベンダーの旗艦カードを買うかではなく、作業のプロファイルを正しく把握し、精度とメモリ帯域の必要に応じて層ごとに構成することである。1つのクラスタにすべての段階を担わせようとすべきではない。