並列数値計算
数値計算アルゴリズムの並列性を抽出し、分散メモリ・共有メモリ・アクセラレータ上で高性能に実行するためのアルゴリズムと実装を研究します。
Original Research Themes
研究の原点 — 旧ページで掲げていた専門分野
2000年代の本ページでは、以下の分野を主要な専門分野として掲げていました。現在の研究も、この4分野の延長線上にあります。
大規模固有値計算
密行列・疎行列の固有値／固有ベクトル計算、Householder変換、QR法、反復法、直交化、通信削減、精度保証などを対象としてきました。
並列固有値ソルバの研究 →高性能計算（HPC）
スーパーコンピュータ、CPU、GPU、MPI、OpenMP、CUDA等を用い、計算・メモリ・通信を統合的に最適化する研究を行います。
自動チューニングソフトウェア工学
高性能化に必要な人間の知識を体系化し、アルゴリズム・コード・パラメータの選択と調整を自動化するソフトウェア工学を提唱してきました。
自動チューニングソフトウェア工学 →ABC-LIB計画
Automatically Blocking-and-Communication adjustment Library。数値計算ライブラリに自動チューニング機能を組み込み、計算機環境に応じた性能最適化を目指した研究です。
ABC-LIB →固有値・固有ベクトル計算機構
大規模固有値問題に関するアルゴリズム、ソフトウェア、研究コミュニティとの接続を行ってきました。
関連サイト →Research Evolution
研究の発展 — 数値アルゴリズムからAgentic HPCまで
研究対象は変化してきましたが、一貫した問いは「計算機・問題・アルゴリズムに応じて、より高性能で信頼できる計算方法をどのように自動的に選び、構成するか」です。
並列数値計算・固有値計算
大規模固有値問題を中心に、Householder変換、QR法、逆反復法、直交化等の並列化と通信削減を研究。数値アルゴリズムと計算機アーキテクチャの両方を見る研究スタイルの基盤となりました。
ABC-LIB / ABCLibScript / 自動チューニングソフトウェア工学
人間の性能最適化知識をソフトウェアへ組み込み、実行環境に応じて自動調整する研究へ展開。FIBER、ABCLibScript、ABCLib_DRSSED等を通じて性能可搬性を追究しました。
自動チューニング工学（Auto-Tuning Engineering, ATE）
AT Software Architecture、AT Software Engineering、AT Computingを統合し、自動チューニングを単一技法ではなく工学体系として捉える考え方へ拡張しました。
GPU・超並列・混合精度・性能可搬性
CPU/GPU、多階層メモリ、超並列計算機に対象を広げ、アルゴリズム・精度・並列化方式・性能パラメータを統合的に選ぶ自動最適化へ展開しました。
HPC-GENIE — 生成AIによるHPCコード生成
LLM、RAG、ローカルLLM、自動チューニング、混合精度、数値検証等を統合し、アーキテクチャに適したHPCコードを生成する研究を本格化しました。
Agentic HPC — AIエージェントによる自律的研究開発
ACRUを中心に、複数AIエージェントが要求分析、コード生成、コンパイル、実行、性能測定、解析、Auto-Tuning、デバッグ、知識蓄積までを反復する研究へ進んでいます。
Current Research
現在の研究テーマ
旧来の並列数値計算・自動チューニングを基盤に、生成AIとAIエージェントを「性能を考える計算機科学」へ組み込んでいます。
生成AIによるHPCコード生成
C、Fortran、OpenMP、MPI、CUDA等を対象に、LLMによるコード生成だけでなく、コンパイル・テスト・性能測定・修正までを閉ループ化します。
ソフトウェア自動チューニング
探索空間、性能モデル、ベイズ最適化等の従来ATと、LLMが生成する候補・戦略・コード変換を統合し、性能可搬性を高めます。
数値線形代数 × AI
固有値問題、反復法、前処理、混合精度、数値的安定性など、単なる実行時間以外の数値的条件までAIが扱う研究を進めます。
CPU / GPU / スーパーコンピュータ
アーキテクチャごとに最適化方針が異なるHPCコードについて、性能解析とコード変換をAIエージェントにより自律化します。
ローカルLLM・HPC Knowledge
研究上の機密性、再現性、オンプレミス運用を考慮し、ローカルLLM、RAG、Memory、Knowledge GraphをHPC開発へ統合します。
HPC-AutoResearch / AI Scientist
仮説生成、実装、実験、性能評価、結果解釈、再実験までをAIエージェントが支援し、HPC研究そのものの自律化を目指します。
Auto-Tuning × AI Agents
自動チューニングからAIエージェントへ
AIエージェントは自動チューニングを置き換えるものではなく、その適用範囲を「パラメータ探索」から「問題理解・設計・コード生成・検証・知識獲得」へ拡張する技術として捉えています。
Auto-Tuning 2.0: Agentic Auto-Tuning
従来のATでは、人間が候補実装と探索空間を設計し、システムが測定・探索して最適値を選びます。Agentic HPCでは、AIエージェントが探索空間そのもの、実装候補、評価方法、次の実験計画まで生成します。
従来のAuto-Tuning
- 探索空間は人間が定義
- パラメータ・実装候補を測定
- 性能モデルや探索法で最良候補を選択
- 知識は主として人間が更新
Agentic Auto-Tuning
- 問題とコードをAIが解析
- 最適化戦略と候補コードを生成
- 実機・Profiler・数値検証をツール利用
- 失敗と成功をMemory/RAGへ蓄積
- 探索空間そのものを反復的に再設計
Analyze要求・数値特性・ボトルネック
Generateアルゴリズム・コード・最適化案
RunCompile / CPU / GPU / HPC
Verify性能・正当性・精度・再現性
LearnMemory / RAG / Knowledge Graph
Learnの結果をAnalyzeへ戻し、設計・実装・評価を自律的に繰り返す閉ループを構成します。
Planning Agent問題設定、要求分解、実験計画
Code AgentHPCコード生成・変換・修正
Performance AgentProfiler、実機性能、AT探索
Verification Agent数値正当性・精度・テスト
Architecture AgentCPU/GPU/通信/メモリ特性
Knowledge AgentRAG、履歴、失敗知識、再利用
Research Agent仮説、結果解析、次の研究課題
Manager Agent複数エージェントの役割・進捗管理
Recent Research Connections
最近の研究成果との接続
2025年以降の研究では、「LLMはHPCコードを生成できるか」から「実機性能で学習できるか」「複数エージェントが自律最適化できるか」「研究そのものを自律化できるか」へ問いを進めています。
- 2025Performance Evaluation of General Purpose Large Language Models for Basic Linear Algebra Subprograms Code GenerationBLAS Level 1–3を対象に、一般目的LLMが正しいコード、OpenMP、SIMD、cache blocking等をどこまで生成できるかを評価。arXiv
- 2025/26VibeCodeHPC: An Agent-Based Iterative Prompting Auto-Tuner for HPC Code Generation Using LLMsProject Manager、System Engineer、Programmer、Continuous Deliverer等の役割を持つ複数LLMエージェントで、HPCコード生成と性能最適化を自律反復。arXiv / GitHub
- 2026Improving HPC Code Generation Capability of LLMs via Online Reinforcement Learning with Real-Machine Benchmark Rewards生成コードを実スーパーコンピュータで実行し、測定GFLOPSを報酬としてLLMへ戻すオンライン強化学習。従来ATの「実機測定」をモデル学習へ拡張。arXiv
- 2026LLM-Based Porting of Optimized C++ to CUDA Through Deoptimization and ReoptimizationCPU向け最適化を一度簡約し、GPU向けへ翻訳・再最適化するDeopt-Reopt。AIによるアーキテクチャ横断コード変換の一例。arXiv
- 2026–HPC-AutoResearch / ARI — Autonomous Research Infrastructure仮説生成、コード生成、実験、性能評価、改善までを統合した自律研究基盤。GitHub
Research Agenda
AIエージェントへ展開する研究テーマ
自動チューニングの研究資産をAIエージェントへ接続すると、次のような新しいHPC研究領域が生まれます。
Agentic Auto-Tuning
AIが性能ボトルネックを分析し、最適化候補と探索空間を動的生成する。
Agentic Numerical Libraries
入力行列・精度要求・計算機構成に応じ、アルゴリズム・前処理・精度・実装を自律選択する。
Architecture-Aware Agents
CPU、GPU、HBM、NUMA、通信ネットワーク等を理解し、コードと実行方式を共同設計する。
Performance-Feedback Learning
実機測定を報酬・教師信号として利用し、LLMの最適化能力そのものを改善する。
HPC Knowledge Graph
性能履歴、コンパイラ、アーキテクチャ、失敗例、最適化知識を構造化し、Agentが再利用する。
HPC-AgentBench
正当性、性能、自律性、再現性、コストを統合してHPCエージェントを評価する。
AI Scientist for HPC
仮説生成から実験、解析、図表、論文作成までを支援する研究エージェントを構築する。
Algorithm Discovery
既知の最適化手法の適用だけでなく、新しい数値アルゴリズムや分解・通信削減法を探索する。
Original Page Archive
旧ページの内容・研究観
2006年版に掲載していた情報を、研究史資料として残します。旧ページのメッセージや座右の銘もここに保存しています。
旧ページの中心メッセージ：「新技術である〈ソフトウエア自動チューニング〉に関する科学技術を真摯に追求し、永続的に進歩し続けることで、諸外国にさきがける日本発の革新的技術の創成を狙う」
旧ページに掲載していた専門分野・プロジェクト・座右の銘を表示
専門分野
並列数値計算、大規模固有値計算、高性能計算、自動チューニングソフトウエア工学。
従事プロジェクト
過去の従事プロジェクト
- I-LIB計画
- HINTS計画
座右の銘
人知は積分計算に無尽蔵の活動舞台を見い出すことができる --- コント
「人知は固有値計算に無尽蔵の活動舞台を見い出すことができる」
「進歩の無いものは決して勝たない。負けて目覚めるのが最上の道だ。日本は進歩ということを軽んじ過ぎた。私的な潔癖や徳義にこだわって、真の進歩を忘れていた。敗れて目覚める。それ以外にどうして日本は救われるか。今日目覚めずしていつ救われるか。俺たちはその先導になるのだ。日本の新生にさきがけて散る、まさに本望じゃないか。」--- 臼淵磐大尉、死二方用意、映画「男たちの大和 YAMATO」
科学技術の進歩についても、常にこの精神を忘れてはならない。新技術を真摯に追求し、永続的に進歩し続けることで革新的技術の創成を狙う、という研究観を旧ページに記していました。
旧ページに掲載していた「研究者」に関する引用を表示
「もし論文を書かないで大きな顔をしているのならば、どうして書けないのか、どういうところで引っかかっているのか、明確にいえるようにしておく必要があります。絵を描けない画家はいません。歌を歌えない声楽家もいません。「研究者です」という以上は、やはり論文を書かないとだめです。あるいは特許がとれていないとだめです。そのうえで数が多い、少ないとか、質がよい、悪いとかいう評価を受けるべきです。いちばん悪いのは、論文をまったく書かないで「研究者です」といばっている人。これはだめです。たまに書く人でも、つまらない論文を書いている場合が少なくないのです。これもだめです。何も書かないよりも、あるいはつまらない論文を五年に一回、一〇年に一回書くよりも、やさしい問題でいいですから一つひとつ取り組んでいるほうがいいのです。
ただし、論文を書かなくても評価される研究者がいます。こういう研究者は見ているとわかります。目利きであるというか、批評眼の鋭い人。そういう人は論文をほとんど書かなくても、一〇年に一本でも私は何にも文句はいわない。なぜかというと、熱心にいろいろ話をしていると鋭い批評をしてくれるからです。
その人々はものすごい知識の蓄積をしているからこそ、即座に批評できるわけです。だから私は論文を書かないからといって評価しないわけではありません。そうはいっても何も書かないで、批評もできないし、なぜ自分が論文を書かないかということも明確にいえない、コーヒーばかり飲んでいる、お酒ばかり飲んでいる、そういう研究者まがいを軽蔑します。じつをいうと、そういう人が少なくないのです。そんな人がよく発言することがある。大学批判とか、大学評価に対する批判とか。そういう人をよく見ると論文がほとんどなかったりする。社会に対して何か文句をいう以上、自分がきちっとした研究をしたうえでやるべきです。なぜ自分が論文を書いていないか、自己評価したうえで批判や発言をすべきです」 — 『研究者』有馬朗人監修、東京図書、2000年、19–21頁
「諸事批判の前に、定期的に論文を書き、きちっとした研究を継続すべし」
Current References
現在の研究への主要リンク
- HPC-GENIE — 生成AI・RAG・ローカルLLM・Auto-Tuning等によるHPCコード生成研究。
- Agentic Computing Research Unit (ACRU) — Agentic AI for High-Performance Computing。
- VibeCodeHPC — LLMマルチエージェントによるHPCコード自動チューニング。
- Online RL with Real-Machine Benchmark Rewards — 実機性能を報酬とするLLM強化学習。
- Deoptimization and Reoptimization for CUDA Porting — LLMによるCPU→GPU移植・再最適化。