[自作日記11] マザーボードとケースの配線をする

[自作日記11] マザーボードとケースの配線をする

今回は、マザーボードをケースに装着し各種配線を行っていきます!

1. スペーサーネジをはめる

ケースにはスペーサーネジというものが付属しています。これをケースにハメていきます。スペーサーはマザーボードを ”浮かせた” 状態で固定するためのものです。

スペーサネジ

このスペーサーをケースにあいたネジ穴にはめていきます。ケースにはネジ穴があらかじめあいており、ネジ穴にはヒントが書いてあります。

今回のケースには ATX と Mini ATX のフォームファクタのマザーボードに対応しており、ネジ穴は、どのフォームファクタ向けのネジ穴なのかがヒントとして書いてあります。

フォームファクタとは

PCケースのサイズや形状の規格を指し、主にマザーボードとの互換性に基づいて定義されます。主なフォームファクタには以下のようなものがあります:

  1. ATX:
    • 標準ATXは、最も一般的なフォームファクタで、多くの拡張スロットと豊富な接続ポートを備えています。サイズはおおよそ30.5cm x 24.4cmです。
    • Micro-ATX(マイクロATX)は、標準ATXよりも小さく、サイズは約24.4cm x 24.4cm。拡張スロットが少ないが、よりコンパクトなPCを構築する際に選ばれます。
    • Mini-ATXはさらに小さいフォームファクタで、非常に限られたスペースに適しています。
  2. Mini-ITX:
    • サイズは約17cm x 17cmで、非常に小型のPCケースに収まる設計です。省スペースのPCやメディアセンター、小型サーバーなどに適しています。
  3. E-ATX(拡張ATX):
    • 標準ATXよりも大きく、主に高性能なワークステーションやゲーム用PCに使われることが多いです。サイズが大きいため、より多くの拡張カードやその他のコンポーネントを収容することができます。

今回のPCケースは ATX フォームファクタですが、 それより小さなMini ATX のマザーボードもつけられるというわけです。

そのため、ATX 用のネジ穴と、Mini ATX 用のネジ穴が開いています。

今回のマザーボードは ATX 用なので、 ATX 用のネジ穴にスペーサネジを取り付けます。

ちなみに、万が一スペーサネジをとりつけずに、マザーボードをPCケースに直置きしまうと、漏電して、大変なことになりますので、絶対にスペーサネジをわすれないようにしましょう。

2.マザーボードをケース内に置く

スペーサを付けたら、マザーボードをケース内にそっと配置します

マザーボード上にあるネジ穴といましがたとりつけたスペーサーが同じ位置にくるように調整しておきます

付属のネジをつかってマザーボードを固定します

この付属ネジはころがって紛失しやすいので、きをつけましょう。

ちなみに、当社にはPC組立修理部屋があり、無くしやすいパーツ類は常に予備を在庫しています。ネジ類はそんなに比較的安価に手に入るので、予備は手元においておくと便利かもしれません。

自作マシン用ネジたち

3.マザーボードとケースの結線

マザーボードと結線されるのは周辺パーツだけではありません。

PCケースには、フロントパネルに電源スイッチ、USB端子、オーディオ端子などが設置されており、それらとマザーボードを結線する必要があります。

3-1 電源ボタン、リセットボタンなどを結線

ケース側から伸びたケースフロントパネルの電源ボタン一式ケーブルをマザーボードに接続します。

マザーボードのこのあたりが、フロントパネルの電源ボタン一式ケーブルを接続するジャンパーピンのありかです。



マニュアルをみてピンレイアウトを確認します。

このピン配置だけみても、ピンとこないかもしれませんので、以下補足してみました

これを参考にして、PCケースの電源系ケーブルをマザーボードに挿していきましょう。少し細かい作業となります。

こんな感じで、マザーボード側にある電源用ジャンパーピンにPCケースからのびたフロントパネル電源コネクタを接続します。

さっきのピンレイアウトをちょうど逆からみたような形です。

反対側もこのように装着しました

3-2 USB3ケーブルの接続

次に、PCケース側からのびたUSB3ケーブルをマザーボードに接続します


3-3 USB2 ケーブルの接続

同様に、ケース側からのびた USB2ケーブルをマザーボードに接続します

3-4 SATAケーブルを挿す

5インチベイに入れたSATAリムーバルケースから伸びたSATAケーブルを、マザーボードのSATAコネクタに挿します。ここでは SATA A というコネクタに挿しました。たいていは、マザーボード上に表記されていて便利です。

3-5 オーディオケーブルを挿す

ケース背面からのびているオーディオケーブルをひっぱりだし

マザーボードのHD AUDIO1 に挿します。

オーディオケーブルまで接続できたので、PCケースのフロントパネル用のケーブルはこれでぜんぶ結線できました!

次回はグラフィックボードを設置します!


navigation

Read more

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

こんにちは! 前回までの記事では、 * wav2vecを用いた音声特徴量抽出の仕組み(第1回)と、 * リップシンク制作における累積ドリフトの補正技術(第2回) について解説してきました。今回はいよいよ、これらの技術を統合して実際に音声から口の動きを生成する核心部分に踏み込みます。 本記事で扱うのは、wav2vecが抽出した768次元の音響特徴量を、26個の口形制御パラメータの時系列データに変換する学習プロセスです。これは単なる次元削減ではありません。音の物理的特性を表す高次元ベクトルから、人間の口の動きという全く異なるモダリティへの変換なのです。この変換を実現するには、音韻と視覚的な口形の間にある複雑な対応関係を、ニューラルネットワークに学習させる必要があります。 特に重要なのは、この対応関係が静的ではなく動的であるという点です。同じ音素でも前後の文脈によって口の形が変わり、さらに音が聞こえる前から口が動き始めるという時間的なズレも存在します。これらの複雑な現象をどのようにモデル化し、学習させるのか。本記事では、LSTMとTransformerという2つの強力なアプロー

By Qualiteg 研究部
AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

こんにちは!本日はAI時代のデータ漏洩防止について、とくにその通信技術面に焦点をあてつつ、AIセキュリティにどのように取り組んでいくべきか、解説いたします。 1. はじめに 生成AIの急速な普及により、企業のデータガバナンスは新たな局面を迎えています。ChatGPTやClaudeといった大規模言語モデル(LLM)は、業務効率を飛躍的に向上させる一方で、意図しない機密情報の漏洩という深刻なリスクをもたらしています。 従業員が何気なく入力した顧客情報や営業秘密が、AIサービスの学習データとして使用される可能性があることを、多くの組織はまだ十分に認識していません。従来のDLP(Data Loss Prevention)ソリューションは、メールやファイル転送を監視することには長けていましたが、リアルタイムで行われるWebベースのAIチャットやAIエージェントとの対話で発生しうる新しい脅威には対応できていないのが現状です。 本記事では、AI時代のデータ漏洩防止において中核となる技術、特にHTTPS通信のインターセプトとその限界について、技術的な観点から詳しく解説します。プロキシサーバー

By Qualiteg プロダクト開発部, Qualiteg コンサルティング
LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

こんにちは!これまでのLLM推論基盤プロビジョニング講座では、推論速度の定義、リクエスト数見積もり、メモリ消費量計算、推論エンジン選定について詳しく解説してきました。 今回は、残りのステップである「GPUノード構成見積もり」「負荷試験」「トレードオフ検討」について一気に解説し、最後に実際のサーバー構成例をご紹介します。 STEP5:GPUノード構成見積もり GPUメモリから考える同時リクエスト処理能力 LLMサービスを構築する際、どのGPUを何台選ぶかは非常に重要な決断です。今回はLlama 8Bモデルを例に、GPUメモリ容量と同時リクエスト処理能力の関係を見ていきましょう。 GPUメモリの使われ方を理解する ここは復習となりますが、 LLM推論においてGPUメモリは主に2つの用途で消費されます 1. モデル重みデータ: LLMモデル自体を格納するためのメモリ 2. KVキャッシュ: ユーザーとの対話コンテキストを保持するための一時メモリ Llama 8Bを16ビット精度で実行する場合、モデル重みデータは約16GBのメモリを占めます。これは固定的なメモリ消

By Qualiteg コンサルティング
発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

こんにちは! 前回の記事では、当社のMotionVoxで使用している「リップシンク」技術について、wav2vecを用いた音声特徴量抽出の仕組みを解説しました。音声から正確な口の動きを予測するための基礎技術について理解いただけたかと思います。 今回は、その続編として、リップシンク制作における重要な技術的課題である「累積ドリフト」に焦点を当てます。wav2vecで高精度な音素認識ができても、実際の動画制作では複数の音声セグメントを時系列に配置する際、わずかなタイミング誤差が蓄積して最終的に大きなずれとなる現象が発生します。 本記事では、この累積ドリフトのメカニズムと、機械学習を活用した最新の補正技術について、実際の測定データを交えながら詳しく解説していきます。前回のwav2vecによる特徴抽出と今回のドリフト補正技術を組み合わせることで、MotionVoxがどのように高品質なリップシンクを実現しているのか、その全体像が見えてくるはずです。 累積ドリフトとは何か 基本概念 累積ドリフトとは、個々の音声セグメントが持つ微小なタイミング誤差が、時間の経過とともに蓄積していく現象で

By Qualiteg 研究部