AIおよびHPCデータセンター（AIファクトリー）とは何か？

データセンターには、組織がデータの処理や保存に使用する、サーバー、ストレージ、ネットワーク、およびそれらを支える電源・冷却システムといったコンピューティングインフラが収容されています。「AIファクトリー」とも呼ばれるAIおよびHPCデータセンターは、現在存在する中で最も計算負荷の高いワークロード――大規模なAIモデルの学習と推論、科学シミュレーション、金融モデリング、天気予報、ゲノミクス、そしてこれらを結びつける高帯域幅のデータ転送――に対応するために構築されたデータセンターの一種です。

高性能コンピューティング（HPC）データセンターは、現在のAIインフラの整備よりも数十年も前から存在していました。これらは、流体力学、分子モデリング、地震解析などの科学・工学シミュレーションのために構築されたもので、単一のマシンでは処理しきれないほど大規模な問題に対処するには、大規模並列計算が唯一の実用的な手段でした。変化したのは、AIのワークロードが今や、HPCが先駆けて確立したのと同じアーキテクチャ的特徴――高密度並列演算、高速相互接続、そして持続的な高電力稼働に対応した冷却システム――を必要としているという点です。 その結果、両者は融合しつつあります。現代のAI施設の多くは、アーキテクチャの観点から見ればHPC施設であり、この2つの用語はますます一緒に使われるようになっています。

これらを従来の施設と区別する点は、内部のハードウェアにあります。従来のデータセンターが適度な電力密度で汎用プロセッサを稼働させているのに対し、AIやHPC施設では、並列計算用に設計されたAIアクセラレータやカスタム半導体をラックに詰め込んでいます。この半導体の変化は、電力供給アーキテクチャ、冷却システム、設置面積、さらには施設を稼働させ続けるために必要なエンジニアリングに至るまで、下流のあらゆる要素に影響を及ぼします。

需要の急増

この投資規模は、テクノロジー業界において明確な前例がない。マッキンゼーの予測によると、演算能力への需要に対応するため、2030年までに世界中でデータセンターへの設備投資として6.7兆ドルが必要になると見込まれており、そのうち5.2兆ドルはAI処理負荷に対応できる施設向け、1.5兆ドルは従来のアプリケーションを実行する施設向けとなる。 データセンターの容量に対する世界的な需要は、2030年までに219 GWへとほぼ3倍に増加する可能性があり、その新規需要の約70％はAIワークロードによるものとなる見込みだ。 規模感として言えば、これは1,400GW近くに達する米国の総発電容量の約6分の1に相当し、言い換えれば、フーバーダム約100基がフル稼働している状態に匹敵する。特にAIワークロードの電力需要は、2025年の44GWから、2020年代末までに156GWへと増加すると予測されている。

短期的な資本支出の伸びも同様に急激だ。ブルームバーグNEFによると、上場している大手データセンター事業者14社の2026年の資本支出は7,500億ドル近くに達すると見込まれており、前年の4,500億ドル弱から大幅に増加する見通しだ。2025年9月末時点で、世界中で23ギガワットを超えるデータセンターのIT容量が建設中であり、その約4分の3が米国で占められている。

電力密度のシフト

従来のエンタープライズ用ラックは5～15 kWの電力を消費します。一方、アクセラレータを多数搭載したAIトレーニング用ラックは、30 kWから100 kW以上を消費します。この消費電力の増加は、配電、無停電電源装置（UPS）の容量設定、バスバーやケーブルの配線、そして何よりも冷却といった、下流のあらゆるシステムに連鎖的に影響を及ぼします。

全国規模で見ると、その数字は衝撃的です。ローレンス・バークレー国立研究所によると、2018年に米国のデータセンターが消費した電力は76 TWhで、これは米国の総電力消費量の1.9％に相当します。 2028年までに、その消費量は325～580 TWh、すなわち米国の総エネルギー消費量の6.7～12％に達すると予測されている。この予測範囲の幅は重要である。それは、データセンターの建設ペースや効率向上に関する真の不確実性を反映しており、上限値のみを引用することは、出典が主張する内容を過大評価することになる。

ゴールドマン・サックス・リサーチは、世界全体でデータセンターの電力需要が2030年までに160％増加すると予測している。

カスタム高性能シリコン

従来の汎用プロセッサは、AIやHPCのワークロードの大部分を占める大規模並列行列演算に対応するよう設計されていません。アクセラレータ、カスタムAI用半導体、および専用に設計されたHPCシステムオンチップは、トレーニング、推論、シミュレーションにおいて、ワットあたりのスループットを桁違いに向上させます。

これらのチップのアーキテクチャ設計、設計、シミュレーション、および検証は、それ自体が膨大かつ困難な技術的課題の集合体です。シノプシス のHPCおよびデータセンターソリューションが説明しているように、これらのワークロードにおいて最小限の消費電力で大量のデータを処理するには、現在、高度なシリコンプロセスノード、SerDes を含む高速インターフェイスIP 、2.5D や3D先進パッケージングに加え、厳しいスケジュールを満たすためのハードウェアとソフトウェアの共同最適化、および早期のアーキテクチャ検討が必要となっています。これらの先進的な設計は、正しい機能性を確認するためのシミュレーションだけでなく、タイミング、マルチフィジックス 効果、そして複雑かつ増え続ける設計ルールに対する検証も行う必要があります。

電力と送電網

デロイトの予測によると、データセンター、プロセッサ、ストレージ、冷却、ネットワークを支える重要電力は、2023年から2026年の間にほぼ2倍に増加し、世界全体でおよそ96 GWに達すると見込まれており、AI運用だけでその電力の40％以上を消費する可能性があるという。 また、デロイトは、AIデータセンターの年間電力消費量が2026年までに約90 TWhに達し、これは世界の全データセンターの予測消費量681 TWhの約7分の1に相当すると見込んでいる。

国際エネルギー機関（IEA）によると、2024年の世界のデータセンターの電力消費量は約415 TWhで、これは世界の電力消費量の約1.5％に相当する。IEAのベースケースでは、この数値は約945 TWh（世界の電力消費量の3％弱）まで増加すると予測されている。

その規模になると、データセンターはもはや単なるITインフラにとどまりません。それらはエネルギーインフラであり、国家のエネルギー計画、電力系統のレジリエンス、および炭素排出量の算定における重要な要素となっています。現在、いくつかの市場では相互接続の待機リストが数年にも及んでおり、これは、施設の建設場所の決定が、電力系統の可用性に基づいて行われるのではなく、むしろ電力系統の可用性が建設場所を決定する要因となりつつあることを意味しています。

AI密度における冷却

AIデータセンターで使用される電力の最大40％は、演算ハードウェア自体ではなく、チップを冷却するために構築されたシステムによって消費されています。そのため、熱管理は高密度容量を実現する上での主要な技術的制約となっています。

密度が高まるにつれて、空冷には実用上の限界が生じます。従来のエンタープライズレベルの密度においては、依然として非常に高い効果を発揮しており、特定のプラットフォームにおいては、空冷設計そのものが利点となります。つまり、空冷式の シノプシス ZeBu エミュレーションサーバーは、顧客がこれを直接評価している好例です。しかし、ラックの消費電力が30～100kW以上の範囲の上限に近づくにつれ、空冷だけでは不十分となり、業界では高密度な導入環境において液体冷却への移行が進んでいます。

この移行には2つのアプローチがあります。ダイレクト・トゥ・チップ液冷方式では、パッケージに取り付けられたコールドプレートを介して、最も熱を発生するコンポーネントに冷却液を供給します。熱は発生源で排出されるため、サーバーのその他の部分は乾燥した状態を保ちます。一方、浸漬冷却方式はこれとは逆のアプローチを採用し、サーバー全体を絶縁液の槽に浸漬します。これにより、ラック全体で熱が均一に排出されるため、ファンやほとんどの空調設備が不要になります。

いずれも、展開前に計算流体力学（CFD）や熱解析を用いてモデル化および最適化を行うことができます。冷却技術や手法の詳細については、「データセンターの冷却とは？」をご覧ください。

持続可能性と効率性の問題

急速な容量拡大は、企業や国家レベルの持続可能性に関する取り組みとの間で緊張関係を生み出している。2030年までに世界のデータセンターの電力消費量がほぼ2倍になれば、このセクターは電力需要の最も急速に伸びている要因の一つとなるだろう。大規模な施設は、地域に顕著な熱影響をもたらす可能性があり、冷却のための直接的な水使用と、発電のための間接的な水使用の両方が、ますます懸念されている。

電力使用効率（施設全体の電力消費量をIT機器の電力消費量で割った値）は、依然として最も注目される効率指標です。この値が1.0であれば、施設に供給される電力のすべてが計算処理に利用されていることを意味しますが、これは物理的に不可能です。 適切に設計されたAIおよびHPC施設は、この指標の低い数値を目標としていますが、旧式の施設ではしばしばその数値を大幅に上回っています。Uptime Instituteによると、業界平均は2020年以来1.55から1.59付近で推移しており、その平均値と専用施設が達成する数値との差は、運用上の問題というよりは、主に設計上のギャップによるものです。

これが、建設前に閉鎖すべきだという主張の根拠です。モデルによって明らかになったはずの効率性の問題を、稼働中の施設で事後改修するのは、その問題を発見するためのコストのかかる方法です。

「チップ・トゥ・ファシリティ」とは、シリコンレベルのシミュレーションと、ファシリティレベルのマルチフィジックス シミュレーションを結びつける統合的なエンジニアリング解析スタックを指します： シノプシス チップおよびパッケージ層におけるシリコンレベルのツール、ならびに Ansys マルチフィジックス ラック、ルーム、および施設レイヤーのソルバー。これは独立した業界用語ではありません。ここでは、これらを組み合わせた仕組みを説明するために用いられる枠組みであり、 シノプシス および Ansys ツールが、AI施設の設計に関わる4つの工学スケールにどのように対応するかを説明するために用いる枠組みです。

このトピックにおいてスタックが重要となる理由は、AI施設の制約が密接に絡み合っているためです。性能、消費電力、熱的な制限は、トランジスタからラック、さらには建物に至るまで相互に影響し合っており、あるスケールでの問題を解決する際に他の要素を無視すると、ボトルネックや過剰なリソース割り当て、あるいは完全な機能不全を招くことになります。この過ちの最も典型的な例は、チップだけを孤立して最適化した結果、施設側でそのチップを冷却できないことが判明してしまうケースです。

チップ・パッケージ

あらゆるAI施設は、その内部に搭載されたシリコンから始まります。施設全体の効率、消費電力、および熱特性は、このレベルでほぼ決定されるため、チップ設計とIPの選定は、データセンターのコスト、拡張性、および持続可能性を左右する主要な要因となります。

AIチップ は、ダイ のサイズ、パッケージ、熱設計、コストの制約条件の範囲内で、競争力のあるスケジュールに従い、野心的なワットあたりの性能目標を達成しなければなりません。最大の課題はデータ移動です。エネルギーの大部分はメモリと演算ユニット間のデータ転送に消費されるため、設計者はオンチップストレージの最大化とデータの再利用を図ります。さらに、リーク電流や熱的影響が深刻化するヘテロジニアス演算統合や先進ノードへのスケーリングが、この課題をさらに複雑にしています。

このリスクの構図において、IPの選定は中心的な位置を占めています。最先端のプロセスノードでは、消費電力、性能、面積、レイテンシは、アーキテクチャと同様にIPの選択によって大きく左右されます。シリコン実証済みのIPなしに新しいインターフェース規格やプロセスノードを採用しようとすると、リスピンのリスクが高まります。リスピンでは、1回の反復ごとに数か月の時間と予算がかかります。 実証済みのIPを活用することで、チームは限られたエンジニアリングリソースを、標準的な機能ではなく、差別化要素（カスタムアクセラレータやシステムレベルの最適化など）に注ぐことができます。実際、実証済みのIPを基盤とすることで、社内で同等の機能を開発する場合に比べてわずかなコストで、スケジュールを数ヶ月短縮することが可能です。

製造前の設計検証は、この問題のもう一つの側面です。現代のAIチップ には数百億個のトランジスタが搭載されており、機能の正確性、タイミング、パワー・インテグリティ 、シグナル・インテグリティ 、熱的挙動、および製造可能性について検証を行う必要があります。これは現在、開発サイクルにおける最大の要素の一つとなっています。なぜなら、検出されなかったバグは再設計（リスピン）として表面化するからです。 マルチダイ 設計や先進的なパッケージング技術は、この課題をさらに深刻化させます。なぜなら、シリコン、パッケージ、サーバー、ラックの各レベルにわたって、性能、消費電力、冷却を一体的に最適化しなければならないからです。マルチフィジックス 解析を統合したAIを活用した電子設計自動化（EDA）は、初回シリコン製造の成功に不可欠です。

当 シノプシス IPポートフォリオは ロジック・ライブラリ、 組込みメモリ、 I/Oライブラリ、不揮発性メモリ、 インターフェイスIP、 セキュリティIP、およびサブシステムを網羅しており、これらはすべてシリコン実証済みです。IP Acceleratedは、アーキテクチャ設計の専門知識、ハードニング、信号およびパワー・インテグリティ 解析を提供し、IPの統合およびシリコンの立ち上がり時間を短縮します。

シノプシス Fusion Design Platform 設計の検討段階からサインオフに至るまでの全工程を担当します。 Fusion Compiler シングルダイ 設計向けに、レジスタ転送レベルからGDSIIまでの物理実装を行い、 3DIC Compiler 統一された探索からサインオフまでのプラットフォーム上で、マルチダイ および高度なパッケージ協調設計 と最適化を提供します。

承認の際、 PrimeTime、 PrimeShield, PrimeClosure、および IC Validatorスタティックタイミング解析 、設計堅牢性、設計クロージャの最適化、および物理検証をそれぞれ提供します。

RedHawk-SCパワー・インテグリティ 解析を提供し、電圧降下のホットスポットやエレクトロマイグレーション リスクを特定します。これらは、この解析を行わなければ現場での故障として表面化する可能性があります。 Exalto 信号およびパワー・インテグリティ 向けに、シリコンに最適化された電磁界モデリングを提供します。これによって、かつては無視できた影響も、先進ノードでは第一級の制約となります。 PathFinder-SC 熱マージン付近で動作する部品にとってより重要となる静電放電（ESD）の信頼性サインオフを処理します。RedHawk-SC は3DIC Compiler と統合されており、探索からサインオフに至るまで、マルチダイ および先進パッケージ協調設計 のための連続的なパスを提供します。

ボード、ラック、および部屋

シリコンが実現すれば、問題はそれを収容するシステムや建物に移ります。Ansys Icepakソフトウェアは、部品、基板、筐体に対する電子機器の冷却解析を行い、ハードウェアが構築される前に、ラックや冷却構成の熱的挙動を予測します。Ansys Fluentソフトウェアは、その解析範囲を部屋や建物規模にまで拡大し、気流パターン、通路封じ込め、暖房・換気・空調（HVAC）の挙動、および二相流や液浸システムを含む液体冷却システムの挙動をモデル化します。

Ansys 機械設計用ソフトウェアは、構造面を網羅しており、振動、荷重、および高密度運転が継続される状況下での熱膨張などを含みます。これは、水冷式ラックの重量が1メートルトン（2,200ポンド）に近づくにつれて重要な課題となります。Ansys 同じ「Structures」ポートフォリオの一部である音響設計用ソフトウェアは、施設から発生する騒音を予測します。これは、住宅地に近い立地において、計画や許認可の面でますます制約要因となっています。

施設・運営

施設規模では、敷地レイアウト、電力配電、環境負荷、熱回収といったマクロな課題が挙げられます。Ansys Discoveryソフトウェアは、レイアウトや環境への影響に関する初期段階の評価を支援します。Ansys MaxwellソフトウェアおよびAnsys Q3D Extractorソフトウェアは、施設規模におけるバスバー、ケーブル、および電力供給ネットワーク内の電磁界や寄生効果をモデル化します。

施設から排出される熱は、従来は大気中に放出されてしまっていました。液体冷却により、戻り水の温度を十分に上昇させることで、その熱を地域暖房や工業プロセスに有効活用できるようになります。また、分析を通じて、特定の現場において熱回収ループが実現可能かどうか、どこで熱が発生し、どのように移動し、どこで経済的に回収できるかを判断します。

Ansys Twin Builderソフトウェアは、高精度モデルを実運用に十分な速度で実行できる低次元モデルに圧縮し、Ansys のTwinAIソフトウェアは、その物理モデルと測定データを組み合わせることで、機器の経年変化に応じてモデルを再校正します。シリコンの側面では、 シリコン・ライフサイクル・マネージメント 、稼働中の性能、信頼性、および熱挙動を追跡するオンチップ・モニターを組み込んでいます。これらを組み合わせることで、設計意図と動作条件との間のループを閉じています。 

各技術は、それぞれが対象とする規模ごとに分類されています。

シノプシス, Inc.（ナスダック：SNPS）は、スタックのシリコン側において、チップ設計、検証、およびIP技術を開発しています。 Ansys, 同社は シノプシスの一部門である同社は、ファシリティ・エンドにおいて、マルチフィジックス 解析およびデジタルツイン 技術を開発しています。

実務におけるシミュレーション主導型アプローチに関する注記。 Vertiv社はAnsys 社と協力し、AIを活用した熱交換器コイルの最適化と全社的なシミュレーションデータ管理を用いてデータセンターの冷却システムを開発しました。これにより、各設計構成を物理的に試作するのではなく、仮想的に評価することが可能となりました。

• データセンターとは？— 施設の種類、アーキテクチャ、構成要素、そしてAIワークロードがそれらに与えた変化
• データセンターの冷却とは？— 空気冷却、液体冷却、ダイレクト・トゥ・チップ冷却、浸漬冷却の比較
• AIアクセラレーター とは？— AI施設の高密度化を支える中核となるシリコン
• 「AIチップ 」設計とは何か？— AIワークロードがチップ設計の問題に与える影響
• AIデータセンターのエネルギー需要への対応――チップから施設に至るまでのエネルギー課題への取り組み

AIおよびHPC施設の設計・運用には、トランジスタから建物に至るまで、エンジニアリング的な精度が求められます。

• チップレベル： シノプシス のHPCおよびデータセンター向けソリューション は 、こうしたワークロードに不可欠な、高性能かつ低消費電力のシステムオンチップ（SoC）の開発を支援します。
• 施設レベル： Ansys のデータセンターソリューションは、熱解析、構造解析、電磁界解析を通じて、効率性と耐障害性を実現します。

シノプシス シリコンからシステムまで のエンジニアリングソリューションを提供しています。