目次
Googleは、行列実行ユニットを含む32ビットCoral NPUのハードウェア設計全体と、Coral Compiler v1.0を公開しました。2026年10月20日の発表により、チップ設計者は完全なオープン設計を利用でき、開発者はチップ製造前にモデルを評価するツールを使えるようになります。
要点#
- 完全な32ビット設計には、スカラーコア、ベクトル実行ユニット、メモリサブシステム、行列実行ユニットが含まれます。
- Googleによると、Coral Compiler v1.0はJAX、PyTorch、TensorFlowで開発したモデルに対応しています。
- Googleのロードマップには最大1 TOPSの構成が示され、推論時の平均消費電力10 mWを目標としています。これらはすべての実装での実測値ではありません。
- SynapticsはCoralboard SRの発売予定を発表し、Coralboard SLの一般販売を開始しました。SLは10月22日時点でDigiKeyの米国サイトに99.79米ドルで掲載されていました。
Googleが公開したもの#
Coral NPUは、32ビットRISC-V命令セットに基づくオープンソースのハードウェア設計です。半導体企業は自社のSoCに組み込み、ウェアラブル機器や産業用センサーなどのデバイス上でAI推論を実行できます。
今回の公開により、スカラーコア、ベクトル実行ユニット、メモリサブシステム、行列実行ユニットという4段階の設計がすべてそろいました。回路の動作を記述するレジスタ転送レベルの設計ファイルは、GitHubで入手できます。
データシートによると、行列実行ユニットは1サイクルあたり256回の積和演算を実行します。Googleは、ユニット内で重みと中間データを再利用し、メモリとのデータ転送に費やすエネルギーを削減すると説明しています。AI処理をバッテリー駆動のデバイスで実行できるかどうかは、演算スループットだけでは決まらないため、この点は重要です。
コンパイラが役立つ仕組み#
Coral Compiler v1.0は、AIモデルをCoral NPUで実行できる形式に変換します。IREEとMLIRを基盤とし、モデルの演算をホストCPUとNPUに振り分けるほか、行列をNPUのローカルメモリに収まる大きさに分割するなどの最適化を行います。
Googleの目標は、チップを変更する際に繰り返し必要となるモデル変換と最適化の作業を減らすことです。共通のアーキテクチャとオープンなツールにより、異なる実装間でモデルを移行しやすくなる可能性があります。ただし、開発者は各ターゲットでの演算子の対応状況、メモリ要件、性能を確認する必要があります。
シミュレーターとFPGAリファレンス設計を使えば、チップの製造前にモデルを評価できます。ハードウェアチームにとって実用的な手順は、代表的なモデルをコンパイルし、どの演算がNPUで実行されるかを確認したうえで、想定する構成がレイテンシとメモリの制約を満たすかを検証することです。
プロジェクトに適したボードは?#
Synapticsの2つのCoralboard製品は、それぞれ異なるデバイス要件に対応しています。搭載するTorq NPUはCoral NPUの異なる部分を使用しているため、どちらのボードも、今回公開された完全な設計をそのまま実装したものと捉えるべきではありません。
| ボード | 想定用途 | プロセッサとNPU | 提供状況 | |---|---|---|---| | Coralboard SR | バッテリー駆動のウェアラブル機器と産業用センサー | Coral NPUのベクトルユニットを組み込んだ400 GOPSのTorq NPUを搭載するAstra SR200シリーズのマイクロコントローラー | 発表済み、発売待ち | | Coralboard SL | LinuxベースのIoT機器、ロボティクス、画像処理 | Coral NPUのスカラーコアとSynapticsの演算コアを組み合わせた1 TOPSのTorq NPUを搭載するAstra SL2619プロセッサ | 10月20日に一般販売開始 |
Coralboard SLは、2026年10月22日時点でDigiKeyの米国サイトに99.79米ドルで掲載されていました。注文前に最新の価格、在庫、地域別の販売状況を確認してください。Synapticsは両ボード向けにMLIRベースのTorqコンパイラとランタイムを提供しており、共通の開発環境でSLとSR向けにモデルを最適化できるとしています。
検証が必要な点#
ロードマップにある最大1 TOPSと、推論時の平均消費電力10 mWという目標値は、完成品の性能やバッテリー駆動時間を保証するものではありません。実際の結果は、ハードウェア構成、モデル、メモリ転送量、処理負荷によって変わります。また、この電力目標を開発ボード全体の消費電力と解釈すべきではありません。
特に注意が必要なのは、CPUへのフォールバックです。NPUで実行できない演算をCPUに移すと、レイテンシとエネルギー消費が増える可能性があります。そのため、フレームワークへの対応は、モデル全体がアクセラレータ上で効率よく動作することを保証しません。
チップやボードの採用を決める前に、対応する演算、ピーク時のメモリ使用量、エンドツーエンドのレイテンシ、想定する推論スケジュールでの消費電力の4点を検証してください。TOPSだけでハードウェアを選ぶのではなく、これらの結果をデバイスの要件と比較しましょう。
次のステップ#
Coral Compiler v1.0で代表的なモデルを1つコンパイルしてシミュレーターで評価し、CPUにフォールバックする演算、メモリ使用量、レイテンシを記録してから、ハードウェア構成を選んでください。
出典: https://gihyo.jp/article/2026/10/google-coral-npu-32bit-compiler-v1
目次
