今月の技術 Tips

(1)DIGA研究第4


ハードディスク（HDD）が読めない故障
HDD読み込みに関して奇妙な現象が発生しているDIGA　BW690をヤフオクで310円で落札した（写真）。

出品者がHDDに不具合があるような記述をしている。

　

　

　　　　　　出品者はこの画面から抜け出せないと書いている

しかし現象はマザーボードの不良でも起こりうると思っていた。

さてここからが解析の始まり。

①不具合現象詳細
付属のHDD（500GB）の初期化が全くできない。
HDDから正しく応答があるのか不明。HDDに関するエラー表示画面が電源投入時に毎回現れる。
まず疑われるのはHDDの故障。
HDDを取り外しPCでチェック。
不良セクターはあるものの使えないHDDではなさそう。
ただし初期化情報が欠落しているかは不明。
このためBW680で使っていた500GBの正常なHDDがBW690で使えるという情報が
ネットで得られたので交換してみた。
しかし全く現象は改善されなかった。
初期化画面には到達できるが初期化が全くできない。

②HDD制御系が電源ノイズで正常に機能していないのではとの疑い。
HDDインターフェイスはシリアルATA（SATA）なのでドライブモーター駆動のための
12V、制御ロジック用５V電源が必要。
５V系電源にノイズが混入すればCPU側とHDDとの通信は正常に行われない可能性が高い。

③電源基板の調査。電源基盤を筐体に装着された状態で目視したところコンデンサ等の異状はない。
ところがHDD用ブラケットを外した場合このブラケットに隠れていた複数のコンデンサに
膨張、液漏れなどの不具合を発見（写真）。
これらのコンデンサの耐圧が10V,16Vであることから5V電源に繋がってる可能性が高い。

　　　　

　　　　3個の電解コンデンサが液漏れしている
　

④コンデンサの交換。至急アマゾンにて16V220μFのコンデンサを購入。
不良コンデンサを交換してみた（写真）。

　　　　

　　　　3個の電解コンデンサを交換
　

⑤BW680用のHDDを再度装着し初期化を試みたところ初期化画面に到達。初期化ができた。

今回の不具合現象はコンデンサの劣化により電源品質が悪化しHDDのIOが正常に
できなかったことが原因と特定できた。
メーカー修理ならHDD、基板交換になり4万円以上請求されると思われる。
ただしこの機種のサポートは5年前に終了している。
「家電修理の達人」に頼むしかない例だ。


(2)AIの研究


今回はAIに必要な計算としてベクトル演算を取り上げてみた
①なぜAIにはベクトル演算が必要なのかAIに関する技術の一つであるベクトル演算を紹介

AI処理におけるベクトル演算は、単語や画像などのデータを数値の配列（音声であれば声紋）
に変換し、それらの関係性や類似性を計算するための基盤技術。

以下はグーグルからの抜粋。

ベクトル演算の主な種類
1. 内積（Inner Product / Dot Product）
概要: 2つのベクトルの対応する要素を掛け合わせ、その合計を算出する演算。
役割: AIでは、2つのデータがどれだけ似ているか（類似度）を計算するためによく使われる。
内積が大きいほど「方向性や意味が似ている」と判断される。
例えば文章を読んだ単語列を声紋に変換しベクトルとして残す。一定時間ごとに区分された
ベクトルに対してあらかじめ記憶された例えば「あ」の声紋とのベクトルの内積を逐一
計算し似ているブロックを特定する。


2. コサイン類似度（Cosine Similarity）
概要: 2つのベクトルA、Bが向いている「角度」を計算し、類似度をー１から＋１の間の数値で表す演算。
役割: ベクトルの「長さ（大きさ）」に影響されず、純粋にデータの意味や特徴の
向きだけを比較したい場合に重宝されます。
例えばベクトルA（a1､a2）、B(b1,b2）とする。a1,b1は「猫が好き」、a2,b2は「犬が好き」とし好きならば「１」
そうでなければ「０」嫌いならば「－１」とする。コサイン類似度はこれらのベクトルが作る角度のコサイン値である。
XさんのベクトルはA(1,1)、YさんのベクトルはB(1,0)であったとするとこれらベクトルのなす角は45°である。
コサイン類似度は　1/√２である。
こんな簡単な例は理解のために記述したが実際にはもっと次元数が大きく内容も複雑。応用としては買い物の履歴から
好みの品を記憶し例えばZさんが今後どのような買い物をするかを予測することもできる。



CUDA（Compute Unified Device Architecture：クーダ） による N次元ベクトル演算例
Nvidiaのグラフィックカードの中にはCUDAと呼ばれるベクトル演算処理を高速に実施できる機能が
備わっている。
NvidiaのCUDAコアによるベクトル演算は比較的安価に入手できる。とはいっても数万円はする。
CUDAは学生のロボットコンテストのプログラムにもにも採用されている。
Nvidia はCUDAのC++ライブラリーを用途に応じて複数用意している。
このCUDAを用いたベクトル演算（ベクトルの足し算）例を紹介する。
以下はCUDAによるベクトルの高速加算例。CUDAを使うとCPUで実行するよりも1000倍以上
高速で演算できる。
興味のない人は読み飛ばしてください。


#include 
#include 
#include               /* CUDA用ライブラリ */

#define N (512 * 2048)


/* N次元のベクトル演算を行う関数. */
__global__ 
void vec_add(float *valA, float *valB, float *sum)
{
    int i = blockDim.x * blockIdx.x + threadIdx.x;

    sum[i] = valA[i] + valB[i];
}


int main(void)
{
    float *h_valA, *h_valB, *h_sum;    /* ホスト側のポインタ変数 */
    float *d_valA, *d_valB, *d_sum;    /* デバイス側のポインタ変数 */

    /* ホスト側のメモリ確保 */
    h_valA = (float *) malloc(N * sizeof(float));
    h_valB = (float *) malloc(N * sizeof(float));
    h_sum  = (float *) malloc(N * sizeof(float));

    /* デバイス側のメモリ確保 */
    cudaMalloc((void **)&d_valA, N * sizeof(float));
    cudaMalloc((void **)&d_valB, N * sizeof(float));
    cudaMalloc((void **)&d_sum,  N * sizeof(float));

    /* 初期化処理 */
    unsigned int i;
    for (i = 0; i < N; i++) {
        h_valA[i] = 1.0;
        h_valB[i] = 2.0;
        h_sum[i]  = 0.0;
    }

    /* ホスト側のメモリをデバイス側へコピー */
    cudaMemcpy(d_valA, h_valA, N * sizeof(float), cudaMemcpyHostToDevice);
    cudaMemcpy(d_valB, h_valB, N * sizeof(float), cudaMemcpyHostToDevice);
    cudaMemcpy(d_sum,  h_sum,  N * sizeof(float), cudaMemcpyHostToDevice);

    /* ホスト側とデバイス側の同期を取る */
    cudaThreadSynchronize();


    int count = 1000;

    unsigned int timer;
    cutCreateTimer(&timer);
    cutResetTimer(timer);
    cutStartTimer(timer);       /* 計測開始 */

    dim3 grid(N/512, 1);        /* ブロック数: 2048  */
    dim3 block(512, 1);         /* スレッド数:  512  */

    for (i = 0; i < count; i++) {
        vec_add<<< grid, block >>>(d_valA, d_valB, d_sum);
    }

    /* ホスト側とデバイス側の同期を取る */
    cudaThreadSynchronize();

    cutStopTimer(timer);        /* 計測終了 */


    /* 計算結果をホスト側へコピー */
    cudaMemcpy(h_sum, d_sum, N * sizeof(float), cudaMemcpyDeviceToHost);

    /* 平均値の計算 */
    double ave = 0.0;
    for (i = 0; i < N; i++) {
        ave += h_sum[i];
    }
    ave /= (double) N;


    /* 集計 */
    double     data_size = N * 4.0 * 1.0e-06;
    double  elapsed_time = cutGetTimerValue(timer) * 1.0e-03;
    double transfer_rate = (N * 4 * 3) / elapsed_time * 1.0e-09 * count;

    printf("Data size     = %1.1f [MB]     \n", data_size);
    printf("Elapsed timer = %4.6f [sec]    \n", elapsed_time);
    printf("Transfer rate = %4.6f [GB/sec] \n", transfer_rate);
    printf("Average       = %4.6f          \n", ave);

    return 0;
}

cpp#include 
#include 

// __global__ はGPU上で実行されるカーネル関数であることを示します
__global__ void vec_add(const float *A, const float *B, float *C, int N) {
    // 自身のスレッドID（インデックス）を計算
    int i = blockDim.x * blockIdx.x + threadIdx.x;
    
    // 配列の範囲外アクセスを防ぐ
    if (i < N) {
        C[i] = A[i] + B[i];
    }
}


ご参考：CUDAライブラリーの種類　興味のある方はネットで検索してください。
cuDNN: ディープラーニング用ライブラリ
cuBLAS: 基本線形代数サブプログラム
cuFFT: 高速フーリエ変換
cuRAND: ランダム数生成
cuSolver: 数値線形代数学ライブラリ
CUB: 高速並列計算プリミティブ