日本Preferred Networks公司（以下簡稱「PFN」）與日本神戶大學共同開發的配備超低功耗深度學習用處理器MN-Core的PFN深度學習用超級計算機MN-3，在最新的發佈的Green500排行榜中名列第一。
PFN的深度學習用超算MN-3
MN-3在表示超算單位電力運算性能（節電性能）的High Performance Linpack（HPL）性能評估中，實施了21.11Gflops/W（1W、每秒約211億次運算）的處理性能。
這個數值爲上期（2019年11月發佈）Green500冠軍的最高性能（16.876Gflops/W）的1.25倍，是該榜單此前最高性能（18.404Gflops/W，2018年6月）的1.15倍，在全球爭相推進的「深度學習用超算超低功耗化」中，MN-Core及MN-3的技術處於全球領先地位。
Green500榜單憑證
MN-3設置在日本國立海洋研究開發機構（JAMSTEC）橫濱研究所的模擬器大樓内，於2020年5月投入運行。
此次測試使用的系統爲整個MN-3中的40個節點和160個MN-Core，具體測試資料如下：
峰值性能（理論值）：3.92Pflops
線性方程計算速度（HPL基準測試）：1.62Pflops
每W能量消耗的性能：21.11Gflops/W
MN-3-MN-CORE SERVER, XEON 8260M 24C 2.4GHZ, MN-CORE, ROCEV2/MN-CORE DIRECTCONNECT
（總核心數量：共2080個，其中MN-Core爲160個，Intel Xeon爲1920個。HPL基準測試主要由MN-Core負責運算）
實施如此高的節電性能的主要技術如下。
1. 具備實施超低功耗的深度學習專用電路的「MN-Core」
這是PFN和神戶大學在理化學研究所AICS/R-CCS的協助下開發的。
2. 實施高速高效節點間資料傳輸的互連「MN-Core Direct Connect」
3. 提高HPL基準測試的核心部分——雙精度矩陣乘法運算效率的最適化技術
這種最適化技術在深度學習的計算處理中也有效，還將用來提高深度學習計算的效率。
4. 透過整合大量MN-Core使功率效率最大化
這些技術大幅削減了耗電造成的環境負荷和運行成本，不僅會成爲下下代深度學習用超算的基礎技術，還有望作爲將來構建整體的超低功耗資訊系統的基礎技術使用。
今後，透過改良安裝方法、冷卻方法和MN-Core專用中間軟體，預計MN-3還能將電力性能再提高幾十個百分點。
MN-Core
文：JST客觀日本編輯部
