データ駆動型の具現化AI（embodied AI）は、GPU加速シミュレータを基盤データインフラストラクチャとして活用し、大規模並列シミュレーションを通じた学習スケーリングへと急速に移行している。しかし計算スループットが増大する一方で、並列効率、物理忠実度、実行の決定論性の間に存在するトレードオフは十分に検証されておらず、信頼性の高いロボット学習の発展を阻害している。本研究はGPUSimBenchという新しいベンチマークツールを導入することで、IsaacLabやGenesisといった主流のGPUベースロボティクスシミュレータの隠れた限界を明らかにする。 GPUSimBenchはスケーラビリティ、物理的一貫性、計算決定論性に焦点を当てている。まず傾斜面タスクという制御された環境を用いた物理的グラウンディング評価を確立し、シミュレートされた動力学と現実世界の挙動との分布的な整合性を定量化する。次に環境数のスケーリング時のスループットとメモリフットプリントを測定することで、並列スケーラビリティをベンチマークする。 重要な発見として、標準的なパフォーマンスメトリクスを超えて、GPU バッチ実行により導入される本質的な非決定論性を明らかにしている。同一の初期条件下であっても、実行ごと、環境ごとの変動性が大きいことが判明した。さらに現在のシミュレータスタック内で4つの経験的確率性レジームを特定し、明示的な制約がない限り、無制限のスケーリングは再現性を損なう可能性があることを指摘している。