AI・ローカルLLM
オンプレLLMでログ一次切り分け：Llama 3.3 70Bでやってみた（根拠引用を強制） このページの狙い LLMに「障害の原因を当てさせる」よりも、 (1) ログから根拠を抜き出す → (2) 可能性を整理 → (3) 次に打つコマンドを提案 までを“オンプレで”完結させる例です。 --- 入力ログ（3行） 今回は、よくあるパターンの短いログ断片で試しました（抜粋）。 NVRM: Xid (PCI:0000:3b:00): 31, pid=1234, Ch 00000010, MMU Fault CUDA error: out of memory s
AI・ローカルLLM
AI推論サービング実測：A100×4 vs H100 NVL×4（vLLM / Qwen2.5-7B）TTFTと同時ユーザー 結論（3行） 同時32の出力スループット： H100×4 = 5414 tok/s , A100×4 = 3723 tok/s （ 1.45× ） 同時32のTTFT（平均）： H100×4 = 66.66 ms , A100×4 = 82.11 ms （H100の方が短い） つまり 「同時ユーザーが増えるほど差が効く」 ＝社内AI・RAG・運用支援のような“多人数同時利用”でGPU選定の根拠にしやすい --- これは何の実測？
研究ノート
GROMACS 溶媒和ΔGをGPUで回す：λ窓並列で意思決定を前倒し（A100実測→H200 NVLへ） 前提（ここが大事） このページの数値は A100 80GB×4 での実測です。 販売対象の H200 NVL（1/4/8GPU） でも同じ考え方で、 「λ窓（＋replica/複数案件）を並列化して、壁時計を短縮」 できます。 H200 NVL向けには、お客様の系・条件に合わせて PoCで実測値を提示 します。 結論（先に要点） 同じΔGを再現 ：A100とH100で溶媒和ΔGは誤差内で一致（計算として妥当） A100→H100で壁時計短縮 ：4GP
研究ノート
LLZO粒界のLi-rich仮説を“支持”できた。だからこそGPUで仮説検証を高速に回す価値がある 先に全体像を見たい方へ： LLZO Fast-charge bottleneck map に、bulk / grain boundary / interface をまたいだ比較と、現時点での canonical な fixed stack をまとめています。 結論だけ先に ：今回の検証は、 「LLZOの粒界（GB）がLi-richになりやすい」傾向は“見えた（仮説を支持する方向）” （Li濃度ピーク比 ≈ 3.14× 、過剰面密度 Γ ≈ 15.0 #/n
研究ノート
Research Note Ep0: LLZO + Li + ML-IAP + Allegro このページは notes（MkDocs）版へ移行中です。 TL;DR LLZO短絡問題に対し、 QE × ML-IAP（Allegro/NequIP） × LAMMPS で「再現可能に回る」ワークフローを作る導入編です。 DeepMD系ワークフローを土台にしつつ、 E(3)等価 なモデル（Allegro）へ移行する理由と評価観点を整理します。 まずは 粒界（grain boundary）でのLi偏析・局在 を前駆現象として定量化し、後続で界面シナリオへ接続しま
研究ノート
H200 NVL: Li/LLZO DOS（Quantum ESPRESSO） このページは notes（MkDocs）版へ移行中です。 TL;DR QEで SCF/NSCF → DOS を回す手順を、H200 NVL 前提で「再現できる形」に整理します。 GPU計算では 環境差（ドライバ/CUDA/ライブラリ） が効きやすいので、まずは最小の確認ポイントを押さえるのが近道です。 DOSは「計算が合っているか」の sanity check にも使えます（電子状態の差分が見える）。 このページで得られること QEでDOSを出す最小手順（何を揃えればOKか）
研究ノート
Ep2: QE GPU + Allegro training（H200 NVL） このページは notes（MkDocs）版へ移行中です。 TL;DR H200 NVL 環境で QE（DFT）をGPU実行 し、得られたデータで Allegro/NequIP を学習 する流れを「再現できる形」に整理します。 つまずきやすいのは 環境差（ドライバ/ライブラリ/ビルド条件） と データ整形（学習フォーマット） です。ここでは最小の確認ポイントをまとめます。 「学習の反復を速く回す」なら 8GPU、「まず運用を固めて回す」なら 4GPU が合いやすい（最終は要件
研究ノート
Ep1: LLZO/Li interface（DFT + ML-IAP + Allegro） このページは notes（MkDocs）版へ移行中です。 TL;DR LLZO/Li 界面を題材に、 QE（DFT）→ 学習データ → Allegro/NequIP 学習 → 推論/AI-MD へ繋ぐ「界面編」です。 つまずきやすいのは 界面モデルの作り方（構造の整合） と 学習データのバランス（界面/バルク/欠陥など） です。 まずは「小さく完走する」最小構成を作り、必要に応じてサンプル数・バリエーションを増やします。 このページで得られること 界面（inte
研究ノート
LLZO短絡（デンドライト）を最短で理解するため、まず粒界でのLi偏析・拡散を定量化。Quantum ESPRESSOでDFTデータ生成→Allegro/NequIP学習→LAMMPS(Kokkos)で大規模AI‑MDをH200 NVL 4/8GPUで実行し、D/EaなどのKPIと回せる3Dで共有します。
研究ノート
LLZO固体電解質の中でリチウムイオンがどのような道を通るのかを、Quantum ESPRESSO、DeepMD、LAMMPS、3D HTML可視化でたどる解説記事です。YouTube動画と回転できる3Dデモをあわせて掲載します。
構築・運用
RTX PRO 6000 Blackwell サーバーエディションなどの NVIDIA GPU で、nvidia-smi を使って Power Limit（電力上限）を確認・変更する手順を初心者にもわかりやすく解説。min/max の確認方法から単体GPU・複数GPUへの設定コマンドまで、コピペで使える具体例付きです。
ベンチマーク・検証
これまで300W級が主流だったGPUに対し、RTX PRO 6000 Blackwellサーバーエディション96GB 600Wの4GPUマシンでパワーリミットを300〜600Wに変更しながら、トークン性能・GPU電力・サーバー全体の消費電力・ファン回転数がどう変化するかを実測しました。