GPUメモリ - Ciallo Wiki | チャロ百科

1.1 定義と役割

GPUメモリ（Graphics Processing Unit Memory）は、グラフィックス処理ユニット（GPU）が演算やレンダリングに使用する専用の高速メモリである。ビデオメモリ（VRAM）とも呼ばれ、テクスチャ、フレームバッファ、シェーダープログラム、ジオメトリデータなどを一時的に格納する。GPUコアが直接アクセスできる独立したメモリ空間を持ち、システムメインメモリとは別に構成される。この専用メモリにより、GPUはCPUとのメモリ競合を起こさずに大量のデータを高速に処理できる。容量や帯域幅は、画面解像度・テクスチャ品質・並列計算の規模に直結し、GPU全体の性能を決定づける重要な要素である。

1.2 GPUコアとの連携

GPUコアは、内部に多数の演算ユニット（CUDAコア、ストリーミングプロセッサなど）を搭載し、これらが並列にデータを処理する。GPUメモリは、これらの演算ユニットが必要とするデータを供給する役割を担う。GPUコアとメモリの間は、メモリコントローラとデータバスで接続されており、コアがメモリアクセス命令を発行すると、コントローラが適切なアドレスからデータを読み出し、コア内のレジスタやキャッシュに転送する。このデータ転送の効率が演算性能に直結するため、帯域幅とレイテンシが重要となる。近年のGPUは階層的なキャッシュ構造（L1/L2キャッシュ）を内蔵し、メモリアクセスパターンを最適化している。

2.1 GDDR SDRAM

GDDR SDRAM（Graphics Double Data Rate Synchronous Dynamic Random Access Memory）は、グラフィックス専用に設計されたSDRAM規格の総称である。高クロック動作と広いバス幅を特徴とし、比較的低コストで大容量を実現できる。ゲーミング向けからプロフェッショナル向けまで幅広く採用されている。

2.1.1 GDDR5 / GDDR5X

GDDR5は2010年代初頭から普及した規格で、1.5〜2.0 Gbpsのデータレート、1.5V〜1.35Vの動作電圧を特徴とする。GDDR5XはGDDR5の改良版で、16Nプリフェッチ方式によりデータレートを8〜12 Gbpsに向上させた。帯域幅はGDDR5の約2倍に達し、4KゲーミングやVRアプリケーションに対応した。

2.1.2 GDDR6 / GDDR6X

GDDR6は2018年頃から実用化され、12〜16 Gbpsのデータレートを達成。1.35V動作で低消費電力化も進めた。GDDR6XはさらにPAM4（4レベルパルス振幅変調）を採用し、19〜24 Gbpsの高速化を実現。NVIDIA GeForce RTX 30シリーズなどで採用され、高帯域幅需要に応えた。GDDR6Xは消費電力がやや高いが、エアフロー設計の改善で対応している。

2.1.3 GDDR7

GDDR7は2024年に発表された次世代規格で、PAM3変調とNRZ（Non-Return-to-Zero）を組み合わせ、データレート32〜40 Gbpsを目指す。従来より20%以上のエネルギー効率改善が見込まれ、将来的な8KゲーミングやAI 推論の高速化に寄与する。JEDECにより標準化が進められている。

2.2 HBM（High Bandwidth Memory）

HBMは、複数のDRAMダイを積層し、シリコン貫通電極（TSV）で接続することで、高帯域幅と省スペースを実現する技術である。従来のGDDRと比較してバス幅が極めて広く（1024ビット以上）、低消費電力で動作する。主にハイエンドGPUやHPC向けに使用される。

2.2.1 HBM / HBM2e

初代HBM（2013年）は4枚のダイを積層し、1Gbpsのデータレート、512ビットバス幅で128 GB/sの帯域幅を提供。HBM2（2016年）は2Gbpsに高速化し、スタックあたり256 GB/sを達成。HBM2eは2.4 Gbpsに向上し、AMD Instinct MI200シリーズなどで採用された。容量はスタックあたり16GBまで対応。

2.2.2 HBM3 / HBM3e

HBM3（2022年標準化）は3.2〜6.4 Gbpsのデータレートを実現し、スタックあたり819 GB/sに達する。HBM3eは最大9.2 Gbps、帯域幅1.2 TB/s以上を目標とする。NVIDIA H100、AMD MI300XなどのAI向けGPUで採用され、大規模モデル訓練のメモリボトルネック解消に貢献している。

2.3 その他のメモリ技術

2.3.1 統一メモリ（Unified Memory）

CPUとGPUが物理的に同じメモリ空間を共有する技術。データコピー不要でプログラミングを簡素化するが、帯域幅はシステムメモリに依存する。Apple Silicon（M1世代以降）やNVIDIA Grace Hopperなどで採用され、統合型アーキテクチャの利便性を高めている。

2.3.2 共有ローカルメモリ（Shared Local Memory）

GPU内部のオンチップメモリで、スレッドブロック内のデータ共有や同期に使用される。CUDAの共有メモリ、AMDのローカルデータシェア（LDS）が該当。外部のGDDR/HBMよりレイテンシが極めて低く（数十サイクル）、高速なデータ交換が必要なアルゴリズムで重要。容量は数十〜数百KBと限られる。

3.1 メモリ帯域幅

メモリ帯域幅は、GPUコアが1秒間にメモリから読み書きできるデータ量を表し、単位はGB/sで示される。高い帯域幅ほど、高解像度テクスチャや大規模データセットの処理が高速になる。

3.1.1 バス幅とクロック周波数

メモリ帯域幅は、メモリクロック周波数、データレート（DDRの場合クロックの倍）、バス幅（ビット数）の積で決まる。例えば、GDDR6が14 Gbps、バス幅256ビットの場合、ピーク帯域幅は（14×10^9）×（256/8）＝448 GB/sとなる。バス幅が広いほど一度に転送できるデータ量が増え、クロックが高いほど転送速度が向上する。

3.1.2 有効帯域幅の計算

実効帯域幅はメモリコントローラの効率やアクセスパターンにより理論値の70〜90%に低下する。コマンドオーバーヘッド、ページミス、リフレッシュ周期などが要因。GPUメーカーはキャッシュ階層やスケジューリング最適化により有効帯域幅を引き上げている。

3.2 メモリ容量

GPUメモリ容量は、一度に保持できるデータ量を決定する。容量不足は、テクスチャの圧縮や解像度低下、レンダリングパスの分割による性能劣化を招く。

3.2.1 解像度とテクスチャデータ

フレームバッファのメモリ消費は、解像度×色深度×マルチサンプリング数に比例する。4K（3840×2160）で32ビットカラー、MSAA×4の場合、約1.3GB必要。テクスチャデータも解像度とミップマップ数に応じて増加し、ゲームタイトルでは総VRAM使用量が8〜16GBに達することもある。

3.2.2 大容量VRAMの必要性

深層学習やプロフェッショナルグラフィックスでは、大規模モデルや超高精細テクスチャを扱うため、数十GB〜100GB以上のVRAMが求められる。NVIDIA A100（80GB）やAMD MI250X（128GB）のような製品が該当。ゲーミングでは8Kやレイトレーシングの普及に伴い、16GB以上が標準になりつつある。

3.3 レイテンシ

メモリアクセスレイテンシは、GPUコアがメモリにリクエストを送ってからデータを受け取るまでの遅延時間である。HBMのTSV積層構造は配線距離を短縮し、GDDRより低レイテンシを実現する。

3.3.1 メモリコントローラの役割

メモリコントローラは、アクセス要求の調停、ページ管理、コマンド発行順序の最適化を行う。複数のチャネルを並列動作させ、バースト転送やプリフェッチによりレイテンシを隠蔽する。エラー訂正（ECC）機能を備える場合もある。

3.3.2 キャッシュ階層との関係

GPUはL1（シェーダコア内）、L2（メモリパーティション内）キャッシュを持ち、頻繁に使用するデータをオンチップに保持することで、メインメモリへのアクセス回数を減らす。キャッシュヒット率が高いほど実効レイテンシは低下する。大容量L2キャッシュ（例：NVIDIA Ada Lovelaceの96MB）は、メモリトラフィックを大幅に削減する。

4.1 ゲーミング

4.1.1 解像度・フレームレートとVRAM消費

ゲームのVRAM消費は解像度に比例して増加する。1080pで4〜6GB、4Kで8〜12GB、8Kでは16GB以上が必要。フレームレート向上のためにレンダリングバッファを二重・三重化（ダブル／トリプルバッファリング）すると消費が増える。競技FPSでは低解像度・低VRAM設定が好まれる一方、AAAタイトルでは容量不足によるテクスチャポップインやフレームドロップが問題となる。

4.1.2 テクスチャ品質・レイトレーシング

高品質テクスチャ（4K〜8K解像度）はVRAMを大きく消費する。レイトレーシングではBVH（境界ボリューム階層）データ構造やデノイズバッファのために追加メモリが必要。近年のゲーム（Cyberpunk 2077、Alan Wake 2など）では、レイトレーシング有効時に8〜12GBの追加消費が報告され、16GB以上のVRAMが推奨されている。

4.2 プロフェッショナルグラフィックス

4.2.1 3Dレンダリング・CAD

Blender、Autodesk Maya、SolidWorksなどのアプリでは、複雑なポリゴンモデル、高精細テクスチャ、アニメーションデータの読み込みに多量のVRAMが必要。ビューポートの応答性やレンダリング時間はVRAM容量に依存し、32GB〜64GBのGPU（NVIDIA RTX Aシリーズ、AMD Radeon Pro）が推奨される。

4.2.2 映像編集・VFX

DaVinci Resolve、Adobe Premiere Pro、After Effectsでは、RAW映像デコード、カラーグレーディング、エフェクト処理にVRAMを使用。4K/8Kプロジェクトでは複数のフレームバッファとルックアップテーブル（LUT）で16GB以上を消費。VFXスタジオではHBM搭載GPUを使って大規模合成処理を行う。

4.3 科学技術計算とAI

4.3.1 深層学習モデルの訓練と推論

深層学習では、モデルパラメータ、勾配、最適化状態、ミニバッチデータがVRAMに保持される。大規模言語モデル（LLM）の訓練には数百GB〜TB級のVRAMが必要で、HBM3e搭載GPUを複数接続（NVIDIA NVLink、AMD Infinity Fabric）して使用する。推論ではモデル量子化やメモリ圧縮技術で容量を節約する。

4.3.2 HPC向けGPUメモリ要件

科学シミュレーション（気象モデル、分子動力学、流体力学）は大規模な格子データや行列演算を扱う。HPC向けGPU（NVIDIA A100/H100、AMD MI250X/MI300X）は、大容量HBM（80〜192GB）、高帯域幅（2〜3.5TB/s）、ECCサポートを備え、長時間の計算を安定して実行する。

5.1 初期のビデオメモリ

5.1.1 VRAM（Dual-Port）

1980年代後半、IBMが開発したDual-Port VRAMは、シリアル出力ポートとランダムアクセスポートを同時に動作させ、表示と描画を並行処理できた。容量は256KB〜数MBで、専用グラフィックボードに使用された。価格が高く、後継のSGRAMにとって代わられた。

5.1.2 SGRAM、MDRAM

SGRAM（Synchronous Graphics RAM）は1990年代に登場し、シングルポートながらブロック書き込み機能を持ち、VRAMの代替となった。MDRAM（Multibank DRAM）はMoSysが開発した独自規格で、バンク分割によりバースト転送を効率化したが、普及しなかった。

5.2 1990〜2000年代の標準化

5.2.1 DDR SDRAMの採用

1998年頃、汎用DDR SDRAMがグラフィックスボードに採用される。クロックの両エッジでデータ転送するDDR方式が普及し、SDRAMより帯域幅が倍増。GeForce 256（1999年）などで使用され、後のGDDRの基礎となった。

5.2.2 GDDRシリーズの登場

2003年、JEDECがGDDR2（DDR2ベース）を標準化。続くGDDR3（2004年）はゲーム機（Xbox 360、PS3）やPC向けGPUで広く使われた。GDDR4（2006年）は高いデータレートを実現したが、消費電力が課題で普及せず。GDDR5（2008年）は低電圧化と高速化で成功し、長期間にわたり主流となった。

5.3 2010年代以降の進化

5.3.1 HBMによる積層技術

2013年にAMDがHBMを発表し、2015年のFury Xで製品化。TSV積層によりバス幅を飛躍的に拡大し、省スペース・低消費電力での高帯域幅を達成。2016年のHBM2ではGPU（NVIDIA Tesla P100、AMD Vega）に採用され、HPC市場を開拓した。

5.3.2 GDDR6/6Xの高速化

2016年のGDDR5X、2018年のGDDR6、2020年のGDDR6Xと、GDDRシリーズはデータレートを毎世代30〜50%向上させた。NVIDIA RTXシリーズやAMD Radeon RXシリーズがこれらを採用し、ゲーミング市場での性能向上に貢献。GDDR7の開発も進み、2025年以降の製品投入が予想される。

6.1 次世代メモリ規格

6.1.1 HBM4

HBM4は2026年以降の標準化を目指し、データレート6.4 Gbps超、スタックあたり帯域幅2 TB/s以上、最大64GB容量を計画。TSVの微細化や新たな積層技術（ハイブリッドボンディング）により、AI向けGPUのメモリ壁を打破する。消費電力あたり性能の向上も図られる。

6.1.2 LPDDRベースの統合型メモリ

LPDDR（Low-Power Double Data Rate）メモリをGPUに統合する動きがある。Apple MシリーズのUnified MemoryはLPDDR5を採用し、CPU・GPU間コピー不要で省電力。将来はLPDDR6（14.4Gbps級）が統合型SoCに採用され、ノートPCやエッジAI端末の性能を向上させる。

6.2 メモリ階層の革新

6.2.1 オンチップSRAMの増強

GPUダイ上に大容量SRAM（数百MB〜数GB）を搭載する研究が進む。SRAMはDRAMよりレイテンシが極めて低く、外部メモリアクセス回数を減少させる。NVIDIA Grace Hopperの「Grace CPU」とH100 GPU間のNVLink-C2Cも、大規模キャッシュコヒーレンスの一種と見なせる。

6.2.2 光インターコネクトの可能性

光配線を用いたメモリインターコネクトが研究されており、電気配線の帯域幅制限や消費電力問題を解決する可能性がある。光トランシーバをオンチップ集積し、GPUとHBM間の配線を光ファイバで接続する試みが始まっている。実用化には10年単位の時間が必要とされる。

6.3 消費電力と冷却の課題

GPUメモリの高速化に伴い、GDDR6XのPAM4変調やHBMのTSV接続での発熱が増大している。メモリモジュールの温度が80°Cを超えるとエラー率が上昇するため、液冷やベイパーチャンバーを用いた高度な冷却システムが求められる。将来はメモリ自体の低電圧化（GDDR7の1.1V動作）や3D積層による放熱経路の最適化が進むと予想される。