アフレルとPreferred Networks、共同開発によるプログラミング教材 「実践！Chainerとロボットで学ぶディープラーニング」を公開 - 株式会社Preferred Networks
アフレルとPreferred Networks、共同開発によるプログラミング教材 「実践！Chainerとロボットで学ぶディープラーニング」を公開 株式会社アフレル（本社：福井県福井市、代表取締役社長：小林靖英、以下「アフレル」）と株式会社Preferred Networks（本社：東京都千代田区、代表取締役社長：西川徹、プリファードネットワークス、以下「PFN」）は、深層学習（ディープラーニング）技術の学習機会の提供および実務領域への活用促進を目的に、ロボットカーを動かしながら深層学習技術の基礎知識を学ぶことのできる、実践的なプログラミング教材「実践！Chainerとロボットで学ぶディープラーニング」を共同開発しました。 この教材は本日よりWEB (https://ai.afrel.co.jp/chainer.html) にて無料公開しています。 AIのビジネス活用が大きな注目を集める一
PFN、深層学習を高速化するプロセッサーMN-Core 2の開発および、MN-Coreシリーズのクラウドサービス構想を発表 - 株式会社Preferred Networks
株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、プリファードネットワークス、以下、PFN）は、深層学習を高速化するディープラーニング・プロセッサー MN-Core™ 2（エムエヌ・コア・ツー）を、東京ビッグサイトで開催されている SEMICON Japan 2022のキーノート講演において本日発表しました。 深層学習の実用化は様々な分野で進展しており、それに応じてこれまで以上に多様かつ、大規模な計算処理が求められるようになっています。 PFNでは、2020年から稼働しているMN-Coreを搭載したスーパーコンピュータMN-3を活用して、材料化学やロボティクスなどの新分野において深層学習を応用した革新的な技術の開発および高速化に取り組んできました。今後、現実世界のより複雑な課題を解決していくには、深層学習モデルの精度と演算速度をさらに向
AI開発を手掛けるPreferred Networks（PFN、東京都千代田区）は7月6日、AI人材の育成を目指し、教育事業を立ち上げたと発表した。第1弾として、小学生から始めるプログラミング教材「Playgram」（プレイグラム）を発表。教育サービスを手掛けるやる気スイッチグループ（東京都中央区）と提携し、8月から首都圏の教室での対面授業や家庭でのオンライン授業に順次導入する。 PlaygramはPFNでAI開発を行っているエンジニアが開発。「米国のコンピュータサイエンス教育のガイドラインを参考にした本格的なプログラミング教材」（PFN）だとしている。 ユーザーは、ゲーム内のロボットのキャラクターにプログラムで命令を出してゴールに向かわせる。パズルを解く感覚でプログラミングを習得できるという。サンドボックスゲーム「Minecraft」のように、思い付いたアイデアをゲーム内で実験できる機能
再計算でニューラルネット学習時のメモリ消費を減らす - Preferred Networks Research & Development
エンジニアの楠本です。深層学習で再計算と呼ばれる手法を使って学習時のメモリ消費を削減する研究や実装に取り組んでいるのでその紹介をしたいと思います。 背景 大規模なニューラルネットの学習ではしばしば誤差逆伝播（以下同様）で GPU のメモリ不足に陥ることがあります。 通常、誤差逆伝播ではパラメータについての勾配を求める際に必要な順伝播の計算結果を (途中の計算結果も含めて) すべて覚えた状態で勾配計算を行います。 一方で、例えばコンピュータビジョンの重要なタスクであるセグメンテーションや物体検出では入力画像として高解像度のものがしばしば扱われます。モデルについても高精度を達成するために複雑なネットワーク設計、すなわち層が深くまた中間表現のチャンネル数の多いネットワークが使われることが少なくありません。 このように入力やモデルが巨大である場合には記憶しておくべき途中の計算結果全体が巨大になり、
最終更新日： 2020年1月14日 株式会社Preferred Networks（PFN）が、オープンソースソフトウェア（OSS）の機械学習向けハイパーパラメータ自動最適化フレームワークOptuna™（オプチュナ）の初のメジャーバージョンとなるv1.0を公開したと発表しました。 機械学習、深層学習において高精度の訓練済みモデルを獲得するために、訓練時のアルゴリズムの挙動を制御する複雑なハイパーパラメータ※の最適化は不可欠です。 Optunaは、ハイパーパラメータを最適化するための試行錯誤を自動化し、優れた性能を発揮するハイパーパラメータの値を自動的に発見するフレームワークです。2018年12月にβ版をOSS公開して以来、多くのコントリビュータに開発協力を得ながらOSSコミュニティやPFN社内のユーザーニーズを取り入れ、多くの新機能を追加したといいます。 v1.0では、Optuna β版のコ
MN-2が動き出しました - Preferred Networks Research & Development
先日リリースさせて頂いたとおり，MN-2の構築を行っています．MN-2は最新世代の，1024基のNVIDIA(R) V100 GPUが計算力の主力となります．現在利用しているMN-1およびMN-1bにおいて1024基のP100と512基のV100を稼動させていますが，MN-2の追加によりGPU数換算で合計2560基となり，保有計算力を大幅に強化しました．とはいえ，現時点ではKubernetesをはじめとしたソフトウェアサービススタックのセットアップ中であり，GPUは主にベンチマークを実施して状態確認を行っている段階です． PFNでリサーチャをやっている，土井裕介です．最近はリサーチ業務はあまりやっておらず，社内インフラ関係の全体の世話役のような業務が主担当になっています．今回，物理構築が一段落したのでBlogにてMN-2の概要やポイントを紹介させて頂きます． なぜMN-2を作るのか？ よく
AI開発を手掛けるPreferred Networks（PFN）は12月5日、研究開発基盤の深層学習フレームワークを、自社開発のChainerからPyTorchに順次移行すると発表した。PyTorchは、米Facebookが開発するオープンソースの機械学習ライブラリ。PFNの西川徹社長は「非常に大きな決断だが、深層学習技術の社会実装をさらに加速できると確信している」とコメントした。 PFNは、2015年6月にChainerをオープンソース化。複雑なニューラルネットワークを直感的かつ柔軟に構築できるため、研究者や開発者から支持を集めた。しかし、深層学習フレームワークの開発で競争する時代は終わりつつあるという。 同社は「細かい差異による差別化競争をするより、コミュニティーを発展させ、健全なエコシステムを築いていくことが重要」と説明。移行先には、「Chainerの開発思想に最も近い」というPyT
PFNが生成AI新会社「Preferred Elements」設立へ 130億パラメータの和製LLMもオープンソースで公開
AIベンチャーのPreferred Networks（PFN）は9月28日、生成AI事業に関する新子会社「Preferred Elements」を11月1日に設立すると発表した。マルチモーダル（画像や言語など複数の入力ソースを扱えること）な基盤モデル（大量のデータでトレーニングし、さまざまなタスクに適応可能な大規模モデル）の開発強化が目的。 Preferred ElementsはPFNの共同創業者で最高研究責任者を務める岡野原大輔さんが取締役社長を務める。本社はPFNと同じ東京都千代田区に構え、2024年中に基盤モデルの開発と、商用サービス提供を目指す。「LLMの課題である偽情報（ハルシネーション）やバイアス、悪用リスクへの対策、事前学習用データの作成・収集に関して、国・大学・企業とも連携を深め、社会インフラとして活用するための安全性を備えた基盤モデルの開発につなげる」（PFN） 併せて、
Preferred Networksの深層学習用スーパーコンピュータMN-3がスーパーコンピュータ省電力性能ランキングGreen500で世界1位を獲得 - 株式会社Preferred Networks
株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、プリファードネットワークス、以下、PFN）と国立大学法人神戸大学（本部：神戸市灘区、学長：武田廣、以下、神戸大学）は、共同開発した超低消費電力の深層学習用プロセッサーMN-Core™を搭載した、PFNの深層学習用スーパーコンピュータMN-3が、最新のGreen500*1リストにおいて、世界第1位に認定されたことを発表します。 MN-3は、スーパーコンピュータの電力あたりの演算性能（省電力性能）を示すHigh Performance Linpack（HPL）ベンチマーク*2で21.11Gflops/W*3（1W・1秒あたり約211億回の演算）の処理性能を実現しました。 これは、Green500リストにおける歴代の最高性能（18.404Gflops/W、2018年6月）の1.15倍であり、世
プリファード、AI塾1500カ所 子供向けプログラミング 義務化追い風 デジタル教育、新興勢が担う - 日本経済新聞
子ども向けプログラミング教育の分野で、スタートアップの存在感が増している。人工知能（AI）開発のプリファード・ネットワークス（東京・千代田）は独自教材を用いた教室をフランチャイズ（FC）展開する。公立学校との連携も広がる。デジタル時代に役立つ能力を持つ子どもたちを育てようと、新興勢は自らが得意なテックの知見を教育に生かす。入門から実践まで伝授日本で圧倒的に不足しているAIをつくれる人材を育て
Distributed Deep Learning with Chainer and Hadoop
「できる！」を増やすGitHub Copilot活用法 / How to use GitHub Copilot to expand your possibilities
オープンソースの機械学習向けハイパーパラメータ自動最適化フレームワーク Optunaを正式公開 - 株式会社Preferred Networks
株式会社Preferred Networks（本社：東京都千代田区、代表取締役社長：西川徹、プリファードネットワークス、以下、PFN）は、オープンソースソフトウェア（OSS）の機械学習向けハイパーパラメータ自動最適化フレームワークOptuna™（オプチュナ）の初のメジャーバージョンとなるv1.0を公開しました。Optuna β版のコードをほとんど変更することなく、そのまま動作させることが可能です。 機械学習、深層学習において高精度の訓練済みモデルを獲得するために、訓練時のアルゴリズムの挙動を制御する複雑なハイパーパラメータ*1 の最適化は不可欠です。 Optunaは、ハイパーパラメータを最適化するための試行錯誤を自動化し、優れた性能を発揮するハイパーパラメータの値を自動的に発見します。2018年12月にβ版をOSS公開して以来、多くのコントリビュータに開発協力をいただきながら、OSSコミュ
日本を代表するAI（人工知能）スタートアップの1社、Preferred Networks（PFN）の有志チームが2019年10月初頭、2つの国際画像認識コンテストで世界トップクラスの成績をたたき出した。 1つは画像の中にある物体の領域を特定する「インスタンスセグメンテーション（Instance Segmentation）」の精度を競うコンテスト。PFNのチームは193チーム中3位を獲得した。 もう1つは、画像のどこに何があるかを判別する「物体検出（Object Detection）」の精度を競うコンテストで、559チーム中4位につけた。 この好成績を達成したのは、PFN 機械学習基盤担当VPの秋葉拓哉執行役員が率いる7人のエンジニアチーム「PFDet」である。
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
Preferred Networks 株式会社の3D技術開発チームでは、実世界のモノ、ヒト、シーンをコンピュータに立体的なデータとして取り込む技術（3Dスキャン技術）を開発しています。物品の3Dデータ化を行うサービス『PFN 3D Scan』や3Dモデルデータの販売を展開しているほかにも、幅広く技術開発に取り組んでいます。
Neural Architecture Searchを用いたセマンティックセグメンテーションモデルの探索 - Preferred Networks Research & Development
はじめに 近年、ニューラルネットワークを用いた機械学習の実用化が様々な分野で進んでいます。機械学習モデルの推論精度を向上させるためには、通常多くの試行錯誤が必要となりますが、モデルのデプロイ先の多様化に伴い、単純な精度向上だけでなく利用環境の制約（推論速度、メモリ使用量、バッテリー消費量、等々）も考慮したチューニングが必要となっています。 そのようなニューラルネットワークを実デバイス上での速度や精度の要求に合わせてチューニングする作業は、多くの人的資源と計算資源を要します。PFNでは、この作業を自動化しつつ人手よりもさらに良いモデルを作成する手法の一つとして、ニューラルアーキテクチャ探索（Neural Architecture Search、以降は”NAS”と表記）を効率的に行うためのエコシステムの整備を進めています。 本記事では、開発を行っているNASエコシステムの概要と、その適用事例の
新物質開発や材料探索を加速する汎用原子レベルシミュレータを提供する合弁会社の設立に合意 - 株式会社Preferred Networks
株式会社Preferred Networks（最高経営責任者：西川 徹、以下「PFN」）およびENEOS株式会社（社長：大田 勝幸、以下「ENEOS」）は、新物質開発・材料探索を加速する高速の汎用原子レベルシミュレータを提供する合弁会社の設立について合意しましたので、お知らせいたします。 PFNとENEOSは2019年度より戦略的な協業体制の構築に合意しており、AI技術を活用したマテリアルズインフォマティクス分野での革新的事業創出を検討してまいりました。新会社では、2021年夏を目途に、両社の知見をもとに開発した 高速の汎用原子レベルシミュレータをクラウドサービスとして提供いたします 。 今般、材料探索技術の高速化と汎用性向上を実現するため、従来の物理シミュレータに深層学習モデルを組み込み、原子レベルで材料を再現して大規模な材料探索を行うことのできる汎用原子レベルシミュレータを開発しました
株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、プリファードネットワークス、以下、PFN）は深層学習技術と大規模計算資源を用いて、医薬品開発の初期工程におけるリード化合物*1を得るための候補物質の探索、分子設計、モデリング、最適化を高速化するAI創薬技術を開発しました。 本技術を適用して設計した新規化合物群に、新型コロナウイルス（SARS-CoV-2）の増殖に必須の酵素（メインプロテアーゼ*2）を阻害する活性が認められ、リード化合物として有望であることが京都薬科大学との共同研究により確認されました。 新型コロナウイルスのメインプロテアーゼ（紫色）に結合して増殖を阻害する薬剤（黄色）のイメージ （知的財産保護のため、今回発見したものとは別の物質を参考例として用いています） 創薬は一般的に基礎研究から製造・販売まで10年以上の時間と、数百
Preferred Robotics
Preferred Roboticsは、自律移動ロボットの開発・製造・販売をおこなう、Preferred Networks (PFN)のグループ会社です。PFNの機械学習・深層学習技術を応用し、さまざまな用途の自律移動ロボットを提供していきます。
PFN の ML/DL 基盤を支える Kubernetes における自動化 - DevOpsDays Tokyo 2021
location_city Tokyo schedule Apr 16th 02:00 - 02:45 PM JST place Hall A people 10 Interested Preferred Networks（PFN）は深層学習などの最先端の技術を最短路で実用化することで、これまで解決が困難であった現実世界の課題解決を目指しています。コンピュータビジョン、自然言語処理、音声認識、ロボティクス、コンパイラ、分散処理、専用ハードウェア、バイオインフォマティクス、ケモインフォマティクスといった幅広い分野で研究開発を行っており、それを支えているのが Kubernetes を用いて構築しているオンプレミス/ベアメタルの GPU クラスタです。 本セッションでは、PFN が Kubernetes を用いてクラスタを運用するなかでどのような障害が起きるのかを紹介し、また障害対応をどのように
[人工知能学会研究会優秀賞論文] 効率的な Deep Hedging のためのニューラルネットワーク構造 - Preferred Networks Research & Development
本記事は 2020 年夏季インターンシップに参加された今木翔太さんによる寄稿です。 東京大学の今木翔太です。大学院では理論物理を研究しています。 インターンでは、機械学習を用いた数量ファイナンスをテーマに、個人的に関心のあった Deep Hedging の研究を行いました。 デリバティブと呼ばれる金融商品を深層学習を用いてヘッジする Deep Hedging は、ニューラルネットワークの学習が難しいことが課題でした。私たちは、No-Transaction Band ネットワークというネットワーク構造を提案し、学習を 20 倍以上効率化しました。複雑な金融商品も数秒オーダーで学習し、価格付けできるようになります。 この成果により、人工知能学会の研究会優秀賞を頂くことができました。大変光栄に感じています。また、Google Colab 上で動くミニマルな実装と、Deep Hedging の汎用
![[人工知能学会研究会優秀賞論文] 効率的な Deep Hedging のためのニューラルネットワーク構造 - Preferred Networks Research & Development](https://cdn-ak-scissors.b.st-hatena.com/image/square/8543c9751a609d9bacbd762722076e3cd67485d2/height=288;version=1;width=512/https%3A%2F%2Ftech.preferred.jp%2Fwp-content%2Fuploads%2F2021%2F06%2Fdeephedging-1.png)
事業担当者対象のレクチャーとワークショップからなる 「AI解体新書」を企業向けに提供 - 株式会社Preferred Networks
株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、以下、PFN）は、深層学習技術をビジネスに役立つ形で活用することを目的に、レクチャーおよびワークショップで構成される事業担当者向け研修プログラム 「AI解体新書」を開始し、第一回の参加企業を2021年7月13日(火)～8月6日(金)の期間に募集します。 PFN共同創業者の西川徹（左）と岡野原大輔（右） 「AI解体新書」は、これまで幅広い産業で多くの企業と実際にビジネス活用に向けた技術開発をおこなってきたPFNのエンジニアが、技術的バックグラウンドを持たない事業担当者向けに設計したものです。最先端技術についてのレクチャーに加え、PFNのエンジニアと事業担当者も参加するワークショップで、参加企業とPFNが協働で、実際のビジネス強化に繋がるアイデアの具現化を目指します。「AI解体新書」は、参加
深層学習用プロセッサーMN-Coreの専用ソフトウェア（コンパイラ）を 開発、深層学習の実用的なワークロードの計算速度を最大6倍以上高速化 - 株式会社Preferred Networks
訂正 (2020/6/23) 「インスタンスセグメンテーションにおいて6倍以上」という記載について一部誤りがありました。正確には、インスタンスセグメンテーションだけでなく、オブジェクトディテクション（物体検出）のモデルも含まれているため、グラフ中のモデル名及び本文の表記を適切に修正しました。 株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、以下、PFN）は、神戸大学と共同開発した深層学習用プロセッサーMN-Core™の専用ソフトウェア（以下、コンパイラ）を開発し、深層学習における複数の実用的なワークロードの計算速度を最大で従来の6倍以上高速化（当社比）することができました。このMN-Coreによる深層学習への高効率でスケーラブルなアプローチについて、半導体技術に関する国際会議 2021 Symposia on VLSI Technol
Preferred Elements、NEDOの採択を受け、1000億パラメータのマルチモーダル基盤モデルの開発と、1兆パラメータの大規模言語モデルの事前学習の検証を開始 - 株式会社Preferred Networks
Preferred Elements、NEDOの採択を受け、1000億パラメータのマルチモーダル基盤モデルの開発と、1兆パラメータの大規模言語モデルの事前学習の検証を開始 株式会社Preferred Networksの子会社である株式会社Preferred Elements（PFE）が、経済産業省及び国立研究開発法人新エネルギー・産業技術総合開発機構（NEDO）が開始する、国内の生成AIの開発力を強化するためのプロジェクト「GENIAC（Generative AI Accelerator Challenge）」において、基盤モデル開発に必要な計算資源の提供支援を受け、1000億パラメータのマルチモーダル基盤モデルの開発と、1兆パラメータの大規模言語モデルの事前学習の検証を開始します。 詳しくは、2024年2月2日のPFEの発表資料をご覧ください。 NEDOの採択を受け、1000億パラメータ
TechCrunch
Tesla has officially revealed a new Performance variant of the recently refreshed Model 3 sedan as the company looks to fight off receding demand. The new version of the Model 3, which starts at $52,9
PFN’s Supercomputers
Overview 深層学習による問題解決能力を支える計算基盤 深層学習をはじめとするPreferred Networks(PFN)の中核技術は膨大な計算を要求します。 PFNでは、多量の計算を効率的に実行するために独自の計算機クラスターを複数運用しています。 これらの計算機クラスターはシリーズ毎にナンバリングされており、現在はMN-2、MN-3が稼働しています。 PFNにおける計算基盤の研究開発 PFNのビジネスや研究開発は膨大な計算能力に支えられており、常に多くの計算需要が存在しています。性能や効率が良い計算基盤を実現するための研究開発はPFNにとって欠かすことができないものです。 GPUやMN-Coreなどの演算アクセラレータを搭載したサーバー群とネットワークやストレージなどの周辺要素を組み合わせてPFNが必要とするワークロードに最適化されたシステム設計をおこない、常に最先端の計算基盤
伊藤忠テクノソリューションズ（CTC）は10月13日、コミュニケーションAI「りんな」を提供するrinnaと協業すると発表した。rinnaが開発した日本語特化の大規模言語モデル（LLM）や周辺技術をベースに、共同で各企業の専用生成AIのサービス開発に着手する。 rinnaではこれまで、日本語に特化した13億パラメータの生成AIを開発し、5月には36 億パラメータのLLMをオープンソースで公開していた。CTCでは8月から、企業向け生成AIの環境構築支援サービス「AOAI 環境構築サービス」を提供している。 CTCは「rinnaのLLMと組み合わせることで、より企業ごとのドメインや業務に適した形で生成AIを活用できる」と説明。rinnaのLLMは日本語環境での活用に適している他、オンプレミスで構築可能なため、セキュリティ面で安全な環境を構築できると利点を挙げている。 関連記事 「りんな」開発元
花王株式会社（社長：長谷部佳宏、以下、花王）と株式会社Preferred Networks（最高経営責任者：西川徹、プリファードネットワークス、以下、PFN）は、このたび、「仮想人体生成モデル」のプロトタイプを共同開発しました。今後は、協業する複数の事業者とともに、本モデルの実用化に向けた検証を行います。 さらに、花王はPFNの協力のもと、本モデルをAPI*1経由で提供する、新規デジタルプラットフォーム事業の開始に向けて準備を進めます。 仮想人体生成モデルとは 「仮想人体生成モデル」は、健康診断などで得られる身体に関する項目から、ライフスタイル（食事、運動、睡眠など）や性格傾向、嗜好性、ストレス状態、月経などの日常生活において関心の高い項目まで、幅広く多種多様な1,600以上の項目を網羅的に備え、これらがどのようなパターンで現れるのかを示すことができる統計モデル*2です（図1）。ある項目の
PFN、深層学習用プロセッサーMN-Coreを Matlantisの深層学習モデル（PFP）の計算基盤として実装 - 株式会社Preferred Networks
HomeNewsPFN、深層学習用プロセッサーMN-Coreを Matlantisの深層学習モデル（PFP）の計算基盤として実装 株式会社Preferred Networks（本社：東京都千代田区、代表取締役 最高経営責任者：西川徹、以下、PFN）は、神戸大学と共同開発した深層学習を高速化するプロセッサーMN-Core™を、汎用原子レベルシミュレータMatlantis™の深層学習モデル（PFP*1）の計算基盤として実装し、Matlantisの販売をおこなう株式会社Preferred Computational Chemistry*2（以下、PFCC）を通じてENEOS株式会社（以下、ENEOS）に提供を開始しました。 PFNは、MN-Coreを搭載したスーパーコンピュータMN-3を2020年に稼働させ、膨大な計算力を必要とする深層学習の計算速度の高速化を進めてきました。PFNが事業として取
PFCC、新物質開発や材料探索を高速化する 汎用原子レベルシミュレータMatlantisをクラウドサービスとして提供開始 - 株式会社Preferred Networks
株式会社Preferred Networks（代表取締役最高経営責任者：西川 徹、以下、PFN）とENEOS株式会社（代表取締役社長：大田 勝幸、以下、ENEOS）の共同出資により2021年6月1日に設立した株式会社Preferred Computational Chemistry（本社：東京都千代田区、代表取締役社長：岡野原 大輔、以下、PFCC）は、新物質開発・材料探索を高速化する汎用原子レベルシミュレータ Matlantis™ （マトランティス）をクラウドサービスとして、このたび提供を開始しました。 PFCCが提供するMatlantisは、原子スケールで材料の挙動を再現して大規模な材料探索を行うことのできる汎用原子レベルシミュレータです。従来の物理シミュレータに深層学習モデルを組み込むことで、計算スピードを従来の数万倍に高速化するとともに、領域を限定しない様々な物質への適用を可能にし
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
PFNがプログラミング教育に参入 サンドボックスゲームでPythonを学べる教材を開発
PFNがオープンソースの機械学習向けハイパーパラメータ自動最適化フレームワーク 「Optuna」を正式公開 | AI専門ニュースメディア AINOW
PFN、深層学習フレームワークをPyTorchに移行 Chainerをやめるのは「非常に大きな決断」
PFNが画像認識コンテストで世界3位の快挙、挑戦で得た果実とは
「今後はシミュレーションが重要に」PFN岡野原氏が話す深層学習の展望 | Ledge.ai
PFN 3D Scan
医薬品開発の初期工程を高速化するAI創薬技術を開発 - 株式会社Preferred Networks
CTC、rinnaと協業 企業専用生成AIの構築支援を拡充
花王とPFN、「仮想人体生成モデル」を共同開発 - 株式会社Preferred Networks