概要
https://secon.dev/entry/2026/01/19/100000-rtx5090x2-pc/
詳細内容
## RTX5090 2台構成の機械学習用PCを自作する
https://secon.dev/entry/2026/01/19/100000-rtx5090x2-pc/
家庭内でRTX 5090の2枚差し構成を実現するための電源工事、冷却設計、PCIe帯域制限による実効性能への影響を詳解する。
**Content Type**: 🛠️ Technical Reference
**Language**: ja
**Scores**: Signal:5/5 | Depth:4/5 | Unique:4/5 | Practical:4/5 | Anti-Hype:4/5
**Main Journal**: 84/100 | **Annex Potential**: 83/100 | **Overall**: 84/100
**Topics**: [[RTX 5090, 分散学習, 200V電源工事, 自作PC, PCIe 帯域幅]]
小型トランスフォーマーモデルの学習を目的とした、**RTX 5090**を2基搭載するハイエンド自作PCの構築記録です。日本の一般家庭（100V/1500W制限）で最大TBP 575WのGPUを2枚運用するための**200V電源工事**や、3.5スロット厚のGPUを物理的に配置するための**簡易水冷**（**MSI SUPRIM LIQUID**）と空冷の組み合わせ、**CORSAIR 7000D**による排熱設計など、実運用に不可欠なハードウェア構成の詳細が共有されています。
技術的な洞察として、**PCIe 5.0 x8**（x8/x8動作）における帯域幅が、**PyTorch DDP**などの分散学習時にボトルネックとなる実情を報告しています。**NVLink**非搭載のコンシューマ向けGPUでは、GPU間のデータ同期（**All-Reduce**）が性能向上を阻害するケースがあり、計算手法によっては単体構成と大差ない速度に留まる可能性が指摘されています。一方で、推論や並列処理が可能なタスクでは1.8倍から2倍近い高速化を確認しており、コスト対効果を考慮した現実的な選択肢を提示しています。
ローカル環境に強力なAI学習・推論インフラを構築したいエンジニアや、データセンター向けGPUとコンシューマGPUの性能特性の違いを理解したい開発者に最適です。