2020年9月2日、NVIDIAのCEO、ジェンスン・ファン氏は先日オンラインで開催した「GeForce Special Event」において、既存のGeForce RTX 20シリーズの性能をはるかに上回る（と主張する）「Ampereアーキテクチャー」と、それを採用した「GeForce RTX 30シリーズ」を発表した。非常に多くの内容を40分程度にまとめた超高濃度かつハイスピードなセッションだった。

　今回はそのGeForce Special Eventに続き、プレス向けに開催された「GeForce RTX 30-Series Tech Sessions」の内容の内、Ampereアーキテクチャーやその他注目度の高い機能について解説しよう。

内部データパスが2倍になった内部構造

　まずはAmpereアーキテクチャーの概要から見ていこう。冒頭でも述べた通り、Ampereは前世代のTuringからCUDAコアを2倍以上に増やし、さらにRTコアとTensorコアに改良を加えることで、スループットを向上させている。

　次に、GeForce RTX 3080全体の大構造を眺めてみよう。AmpereではCUDAコアが倍以上に増えているのが特徴だが、大構造（L2キャッシュ〜コアのクラスター〜メモリーコントローラーなど）はTuringから大きく変化していない。GeForce RTX 2080 SUPERとRTX 3080を比べると、メモリーバス幅が256bit→320bitに拡幅されたぶん、メモリーコントローラーが増えているが、大構造は似たようなものだ。

　しかし、コアのクラスターを構成するGPC（Graphics Processing Cluster）の内側に入っている小クラスター、すなわちSM（Streaming Multiprocessor）の構造は大きく変化した。SM1基の中に4つのパーティションがあり、その中にCUDAコアが入っているのは同じだが、Turingでは1パーティションあたりCUDAコアが16基だったのが、Ampereでは32基に増えている。

　さらにAmpereではこの32基のCUDAコアを2つのグループに分け、2つのデータパス上に並べている。データパスの1つはTuringと同じようにINT32かFP32オペレーションのどちらかを実行できるが、もうひとつのデータパスはFP32オペレーション専用となる。

　この構造のおかげでAmpereのSM内にあるパーティションは、32のFP32オペレーションの実行か、16のINT32オペレーション＋16のFP32オペレーション同時実行のどちらかを選択できる。ひとつのデータパス内にINT32とFP32を混在させることはできない。つまり、全部INT32オペレーションの場合はCUDAコア数は実質半減してしまうことになるが、現実のゲームではFP32の処理が圧倒的に多いので、FP32専用のデータバスを用意したことは極めて理にかなった改善と言えるだろう。

　また、AmpereではSM1基ごとに設置されているL1キャッシュの容量を128KBに増量している。TuringのL1は96KBなので、ざっと33％の増量となる。

モーションブラー処理もレイトレーシングで高速化

　AmpereではRTコアが第2世代に進化し、レイトレーシング性能を大幅に向上しているが、具体的には何が変化したのだろうか？

　Turingの時に解説済みだが、RTコアの役割はレイトレーシングの処理において最も計算負荷の高い「光線（レイ）がどのポリゴンに衝突するかの計算」を高速で処理することにある。もう少し細かく言えば、BVH（Bounding Volume Hierarchy）という階層構造を使ってレイが衝突しそうなポリゴンを効率良く絞り込む「バウンディング・ボックス・インターセクション」と、ポリゴンにどう衝突するかを計算する「トライアングル・インターセクション」の2つの処理（これをまとめてBVHトラバーサルと呼ぶ）がRTコアの役目だ。

　Ampereの第2世代RTコアでは、トライアングル・インターセクションに手を加えることで、モーションブラーの計算を高速化することが可能になった。動いているポリゴンに対してレイトレーシングのモーションブラーを処理する場合、そのポリゴンが次の瞬間、次の次の瞬間……でレイとどう衝突するか追跡した上で結果を出す必要がある。第2世代RTコアでは、トライアングル・インターセクションの前段でこの処理をハードウェア的に実行できるようになった、というものだ。

　ただし、モーションブラーはレイトレーシング処理の有無に関係なく負荷が高いため、ゲームではオフにしてしまうことが多い効果のひとつだ。そのため、レイトレーシングでこれを実装されてもゲーマーにはあまりメリットがなさそうではあるが、CGレンダリング目的なら非常に頼もしい進化点ではある。

TensorコアはRTコアとの同時実行が可能に

　AmpereのTensorコアは第3世代のものが使われているが、主な強化点はスパースモデリングにも対応した、という点だ。ディープラーニングは多量の学習データが必要だが、十分な量のデータが用意できなければ役に立たない。スパースモデリングはSparse（まばらな）の意味から想像がつく通り、少ないデータから推論するための技法だ。スパースモデリングで処理をする場合、従来のデンスモデリングを使った処理よりも2倍のパフォーマンスが期待できる。ただし、このあたりで筆者の理解を超越してきたので、ここまでとしておきたい。

　GeForce RTX 30シリーズを主にゲーミング用途で買う我々にとって、TensorコアはAIを使って低解像度のレンダリングから解像度の高いアウトプットを得る「DLSS」や、レイトレーシング時のAIデノイズ処理のためにあるコアだ。特にレイトレーシング処理をさせる場合は、RTコアとTensorコアを活用することで処理時間（フレームタイム）を短くできる、というのはTuring世代からもたらした概念だ。

　しかし、TuringではRTコアとTensorコアを同時に動かすことができないという制約を抱えていた。RTコアで処理し、しかるべき処理をした後でTensorコアに引き渡す必要があった。それに対して、Ampereではハードウェア的な改良を加えることで、RTコアとTensorコアの同時処理ができるようになった。このRTコアとTensorコアの同時処理がうまく使える程度にゲームが作り込んであれば、レイトレーシング使用時における性能低下もかなり軽減されるはずだ。今後のゲーム側の対応を注視したい。

GDDR6Xメモリーの採用とワットパフォーマンスの改善

　GeForce RTX 3090とRTX 3080にはGDDR6Xメモリーが使われる点もトピックだ。GeForce Special Eventの詳報記事でも書いた通り、GDDR6Xは2段階の電圧レベル（いわゆる0か1か）ではなく、4段階の電圧で情報をエンコードして転送する。結果、情報密度が上がるためより短時間で転送が終わるというわけだ。これを筆者がわかる範囲で補足しておきたい。

　GDDR6Xで扱うシグナルを波形として見ると次のような図になるが、単純に2ビットの情報を4段階の電圧に変換しているわけではない。“眼”のようなスペースが広くキレイに出現するよう設計する必要があり、目頭や目尻に相当する部分はシグナルが0とも1ともとれる場所となる。なので、はっきりと電圧があるかないかのポイントが必要になり、微妙な4段階の電圧を区別しなければならない。

　そこで、GDDR6Xでは眼のパターンがキレイに出た瞬間で電圧を判定するアルゴリズムを採用するほか、電圧の両極端から両極端へ飛ぶようなシグナルを禁じている。一番下の電圧レベルから一番上の電圧レベルへ飛べば、電圧が上がりきるまで時間がかかる。結果として眼の開口部が狭くなってしまうからだ。このあたりの細かい解説は、いずれ大原氏の連載でやってくれると思うので、襟を正して待ちたい。

　ワットパフォーマンスの改善については、実のところあまり多くは語られなかった。単純にパフォーマンスが2倍になったのでワットパフォーマンスが2倍という雑な計算のようにも思えるが、一応設計レベルでも工夫されているようだ。具体的にはGPUのコア部分とメモリーまわりの回路部分で電力のレールが分けられている、とのこと。だがそれ以上の情報は公開されなかった。

次回はRTX IOとNVIDIA Reflexに迫る

　今回のGeForce RTX 30-Series Tech Sessionsレポートはこのあたりにしておこう。次回は最も興味を惹かれる（しかし実用化にはまだ時間が必要な）「RTX IO」、そしてeスポーツの世界を変えてしまう予感もする「NVIDIA Reflex」について迫りたい。