Apertusは、人工知能モデルの構築、トレーニング、およびデプロイのためのオープンソースソフトウェアフレームワークです。これは、プロプライエタリなAI開発スタックに代わる、モジュール式で透明性の高い代替手段を提供するように設計されており、研究者やエンジニアが交換可能なコンポーネントから機械学習パイプラインを構築できるようにします。このプロジェクトは再現性と監査可能性を重視し、モデルアーキテクチャ、トレーニング手順、およびハードウェア利用の細粒度な制御を可能にすることに焦点を当てています。Apertusはコミュニティ主導のイニシアチブとして維持されており、そのソースコードは寛容なライセンスの下で公開されています。
このフレームワークは、大規模AIシステムの複雑さと不透明性の高まりに対応して生まれました。その開発は2020年代初頭に始まり、最初の安定版リリースは2023年に登場しました。Apertusは、モデル定義を特定の実行環境から分離するコア抽象化レイヤーを中心に構築されています。この設計により、同じモデルコードを変更なしでCPU、GPU、専用アクセラレータなどのさまざまなハードウェアプラットフォームで実行できます。このプロジェクトは、透明性とAIライフサイクルのすべての段階を検査する能力を優先する学術研究者や独立開発者の間で注目を集めています。
コアアーキテクチャ
Apertusのアーキテクチャは、機械学習ワークフローの特定の側面をそれぞれ担当するいくつかの異なるモジュールに編成されています。中心的なコンポーネントはモデル定義APIであり、ユーザーが宣言型構文を使用してニューラルネットワーク層、活性化関数、および接続パターンを指定できるようにします。このAPIは、個々の畳み込み層やリカレント層などの低レベルプリミティブと、残差ブロックやトランスフォーマーエンコーダーなどの高レベルビルディングブロックの両方をサポートします。
モデルAPIの下には、実際の計算を処理する実行エンジンがあります。エンジンには、ユーザー定義モデルを効率的な計算グラフに変換するグラフオプティマイザーが含まれています。このオプティマイザーは、演算子融合、メモリ計画、レイアウト変換などの操作を実行します。実行エンジンには、特定のハードウェアターゲット向けに最適化されたマシンコードを生成できるジャストインタイムコンパイラも含まれており、Deep learningフレームワークのTensorFlowやPyTorchで使用されるものと同様の技術を活用しています。
3番目の主要コンポーネントはデータパイプラインモジュールです。このモジュールは、トレーニングデータセットのロード、前処理、および拡張のためのツールを提供します。ローカルストレージやクラウドサービスからのストリーミングデータをサポートし、ランダムクロッピング、フリッピング、カラージッターなどの一般的なData Augmentation技術の組み込み実装を含みます。データパイプラインは、並列データロードとプリフェッチをサポートし、効率的でスケーラブルになるように設計されています。
トレーニングモジュールは、さまざまな最適化アルゴリズムとスケジューリング戦略を実装しています。これには、モーメンタムSGDやAdamなどの標準的な確率的勾配降下法の変種に加え、AIフィードバックからの強化学習などのより高度な方法が含まれます。モジュールはまた、学習率スケジューリング、勾配クリッピング、および重み初期化スキームをサポートしています。トレーニング実行は、損失、精度、勾配ノルムなどのメトリクスを記録する組み込みのロギングシステムを通じて監視できます。
ハードウェア抽象化とバックエンド
Apertusの重要な機能は、そのハードウェア抽象化レイヤーであり、モデルを幅広いコンピューティングデバイスで実行できるようにします。フレームワークには、x86プロセッサのAVX-512などの最適化された命令セットを活用する、一般的なCPUアーキテクチャ用のバックエンドが含まれています。GPUアクセラレーションのために、ApertusはCUDAおよびROCmとインターフェースするバックエンドを提供し、NVIDIAおよびAMDのハードウェアをサポートします。
フレームワークには、専用AIアクセラレータ用の実験的バックエンドも含まれています。これには、AWS Trainiumチップ、Google Cloud TPU、およびGraphcore IPUのサポートが含まれます。Apertusのバックエンドインターフェースは拡張可能になるように設計されており、サードパーティのハードウェアベンダーが独自の実装を提供できます。たとえば、Groqのテンソルストリーミングプロセッサ用のコミュニティ開発バックエンドが利用可能になっていますが、その成熟度はリリースによって異なります。
Apertusの抽象化レイヤーはメモリ管理にも拡張されています。フレームワークは、ホストメモリとデバイスメモリ間のデータ転送を自動的に管理でき、利用可能な場合はユニファイドメモリアーキテクチャをサポートします。これにより、大規模言語モデルで使用されるような大量のメモリを必要とするモデルの開発が簡素化されます。
モデルズーと事前学習済み重み
Apertusプロジェクトは、さまざまな一般的なアーキテクチャの事前学習済み重みを含むモデルズーを維持しています。これには、ResNet変種などの画像分類用の畳み込みニューラルネットワークや、画像セグメンテーション用のU-Netモデルが含まれます。自然言語処理のために、ズーにはトランスフォーマーベースのモデルが含まれており、BERTのようなエンコーダーのみのモデルやGPTに類似したデコーダーのみのモデルが含まれます。
モデルズーのすべての事前学習済み重みには、トレーニングデータ、ハイパーパラメータ、および評価メトリクスを説明する詳細なドキュメントが付属しています。この透明性はプロジェクトの核となる原則であり、ユーザーが各モデルの由来と制限を理解できるようにします。モデルズーには、トレーニング実行を再現するためのスクリプトも含まれており、研究者が結果を検証し、既存の作業に基づいて構築できるようにします。
公式モデルズーに加えて、Apertusはコミュニティ貢献レジストリをサポートしています。このレジストリにより、ユーザーは独自のトレーニング済みモデルをメタデータと評価結果とともに公開できます。レジストリにはバージョン管理システムが含まれており、モデルを時間の経過とともに追跡および更新できます。2025年の時点で、レジストリには1,000以上のモデルがホストされており、小さな実験的ネットワークから数十億パラメータの言語モデルまで多岐にわたります。
他のツールとの統合
Apertusは、より広範なAIエコシステムと相互運用できるように設計されています。ONNXやOpenAIのsafetensors形式など、他のフレームワークとのモデルのエクスポートおよびインポートを可能にする変換ユーティリティを提供します。これにより、既存のツールやライブラリと組み合わせてApertusを使用できます。
フレームワークには、NumPyやSciPyなどの一般的な科学計算ライブラリと統合するPython APIも含まれています。これにより、研究者はJupyterノートブックなどの使い慣れたワークフロー内でApertusを使用できます。さらに、Apertusは、モデルのトレーニング、評価、推論などの一般的なタスク用のコマンドラインインターフェースを提供します。
デプロイのために、Apertusはモデルを最適化されたランタイム形式にエクスポートできます。これらの形式は、本番環境での低レイテンシ推論用に設計されており、フレームワークの組み込み推論サーバーを使用して提供できます。サーバーはバッチ処理、動的シェイプ処理、モデルバージョン管理をサポートしており、AWS、Azure、またはOracle Cloudデプロイメントでの使用に適しています。
コミュニティとガバナンス
Apertusプロジェクトは、オープンなコミュニティモデルによって運営されています。開発は公開リポジトリを通じて調整され、個人および組織からの貢献が受け入れられます。プロジェクトには、ロードマップを監督し、技術的な紛争を解決する運営委員会があります。この委員会には、MIT CSAILやスタンフォードAIラボなどの学術機関の代表者と、業界の貢献者が含まれています。
プロジェクトへの資金は、企業スポンサーシップと個人の寄付の組み合わせから来ています。主要スポンサーには、AMD、Intel、およびSamsung Electronicsが含まれます。プロジェクトはまた、国立科学機関からの資金を含む研究助成金からも支援を受けています。すべての財政的貢献は公開されており、プロジェクトの運営における透明性が確保されています。
コミュニティは、活発なディスカッションフォーラムと定期的な開発スプリントのスケジュールを維持しています。これらのイベントは、世界中の貢献者を集めて、特定の機能やバグ修正に取り組みます。プロジェクトはまた、新しい開発とユースケースに関するプレゼンテーションを特徴とする年次会議ApertusConを開催しています。
アプリケーションとユースケース
Apertusは、さまざまな研究および産業環境で採用されています。学術界では、Machine learningおよびArtificial intelligenceの教育と研究に使用されています。たとえば、トロント大学やカーネギーメロン大学のコースでは、学生プロジェクトの主要フレームワークとしてApertusを使用しています。
産業界では、ApertusはAIシステムを細粒度に制御する必要がある企業によって使用されています。これには、医療、金融、自動運転の組織が含まれます。たとえば、Intuitive Surgicalは外科画像分析用のモデルを開発するためにApertusを使用しており、Waymoは自動運転車両の知覚タスクにその使用を検討しています。
フレームワークの透明性機能は、規制された業界にとって特に魅力的です。医療では、Apertusの監査証跡と再現可能なトレーニング手順がコンプライアンス要件を満たすのに役立ちます。同様に、金融では、モデルの動作を完全に文書化する能力は、リスク管理と規制報告にとって価値があります。
パフォーマンスとスケーラビリティ
Apertusは、単一デバイスの実験から大規模な分散トレーニング実行までスケールするように設計されています。フレームワークには、データ並列処理、モデル並列処理、およびパイプライン並列処理をサポートする分散トレーニングモジュールが含まれています。これにより、NCCLやMPIなどの通信プロトコルを使用して、複数のGPUまたはノードにわたってモデルをトレーニングできます。
ベンチマークテストでは、Apertusが他のフレームワークと比較して競争力のあるパフォーマンスを達成することが示されています。ImageNetでのResNet-50のトレーニングなどの標準的な画像分類タスクでは、ApertusのスループットはPyTorchのパフォーマンスの5%以内です。トランスフォーマーベースの言語モデルの場合、フレームワークの最適化されたアテンション実装は、単純な実装と比較して最大20%の高速化を提供します。
フレームワークには、開発者がパフォーマンスのボトルネックを特定するのに役立つプロファイリングツールも含まれています。これらのツールは、カーネル実行時間、メモリ使用量、通信オーバーヘッドに関する詳細な情報を提供します。このデータは、最も効率的なマルチヘッドアテンション実装の選択やバッチ正規化パラメータの調整など、最適化の取り組みを導くために使用できます。
将来の方向性
Apertusのロードマップには、今後のリリースで予定されているいくつかの機能が含まれています。1つの焦点領域は、リソース制約のあるデバイスにモデルをデプロイするために不可欠なモデルプルーニングと量子化のサポートを改善することです。チームはまた、シーケンスツーシーケンスモデルとクロスアテンションメカニズムのサポートを強化することに取り組んでいます。
もう1つの開発領域は、生成AI機能の統合です。これには、テキスト生成のためのトップkサンプリング、トップpサンプリング、および温度スケーリングの組み込みサポートが含まれます。目標は、トレーニングから推論まで、生成モデルの構築とデプロイのための完全なツールキットを提供することです。
プロジェクトはまた、ハードウェアサポートを拡大することを目指しています。QualcommのAIアクセラレータとARMベースプロセッサ用のバックエンドの作業が進行中です。さらに、Oracle Cloudや他のクラウドプラットフォームとの統合を改善し、Apertusベースのアプリケーションのデプロイを簡素化する計画があります。
2025年の時点で、Apertusプロジェクトは進化を続けており、貢献者とユーザーのコミュニティが成長しています。そのオープン性と透明性へのコミットメントは、急速に進歩する人工知能の分野における重要な代替手段として位置づけられています。