概要

• PostgreSQL向け高性能近似最近傍（ANN）検索拡張機能 の紹介
• PRISMインデックス による大規模ベクトルデータ（1億件超）への高速検索対応
• pgvector互換性 を持ち、既存テーブルにもシームレスに導入可能
• SIMD最適化・RaBitQ量子化 など最新技術の採用
• α版のためテスト用途推奨、既知の制限やメンテナンス方法に注意

PostgreSQL拡張機能「pg_vectorsearch」概要

• 高性能ANN検索 を実現するPostgreSQL拡張機能
• バージョン：α版 （テスト用、商用利用非推奨）
• プレリリース間のアップグレード非対応、拡張機能やインデックスの再作成が必要
• 既知の問題点 はchangelog参照

PRISMインデックスの特徴

• IVFスタイルの階層型ルーティング を持つPRISMインデックス
  • 100M+ベクトル対応
  • 階層セントロイドツリー によるクラスタリング
  • RaBitQ量子化 で2段階検索時の理論的誤差保証
  • SIMD最適化距離計算 （AVX2, AVX512, NEON対応）
  • 動的更新 （挿入・更新・削除）に対応、prism_rebalanceでリスト分割
• pgvector互換性 ：既存vectorやhalfvecカラムにそのままインデックス作成可能
• C言語実装 による高性能とPostgreSQLとのシームレスな統合

性能面の強み

• IVFFlatやHNSWより高速 なクエリ・インデックス構築
  • 同等リコール率でHNSWより高速、必要メモリは1/4
• ベクトルはRaBitQで量子化、SIMD最適化ページレイアウトで高速距離計算
• 量子化誤差範囲を利用し不要な再ランクを削減

クエリフロー

1. セントロイドツリー探索 で近傍クラスタ特定（バッファキャッシュ活用）
2. 候補ベクトル抽出 （ポスティングリスト走査、非同期I/O）
3. RaBitQ二段階フィルタリング （推定→誤差判定→再ランク）
4. 完全精度で再ランク
5. k個の最も近い近傍を返却

利用方法

• インストール ：まず拡張機能をビルド・インストール（PostgreSQL 18+、C11コンパイラ、Meson必須）
• 2つの利用パターン
  • ネイティブ型 ：新規テーブルやpgvector未使用時、vec32（float32）/vec16（float16）カラムを利用
  • 既存pgvectorテーブル ：vectorやhalfvecカラムにも直接インデックス作成可能
• 同一テーブル・スキーマでpgvector/pg_vectorsearch共存可

サンプルSQL（ネイティブ型）

• CREATE EXTENSION pg_vectorsearch;
  CREATE TABLE items (
    id serial PRIMARY KEY,
    embedding vec32(3) STORAGE PLAIN
  );
  INSERT INTO items (embedding)
    SELECT ARRAY[i::real, (i % 7)::real, (i % 5)::real]::vec32
    FROM generate_series(1, 1000) i;
  CREATE INDEX ON items USING prism (embedding vec32_l2_ops);
  SET prism.nprobe = 40;
  SELECT * FROM items ORDER BY embedding <-> '[3,1,2]' LIMIT 5;
  

• vec16型利用でストレージ半減も可

サンプルSQL（既存pgvectorテーブル）

• CREATE EXTENSION vector;
  CREATE TABLE documents (
    id bigserial PRIMARY KEY,
    body text,
    embedding vector(384)
  );
  CREATE INDEX documents_embedding_hnsw ON documents USING hnsw (embedding vector_l2_ops);
  CREATE EXTENSION pg_vectorsearch;
  CREATE INDEX documents_embedding_prism ON documents USING prism (embedding vec32_l2_ops);
  EXPLAIN (COSTS OFF)
    SELECT id, body FROM documents
    ORDER BY embedding <-> (SELECT embedding FROM documents WHERE id = 42) LIMIT 10;
  DROP INDEX documents_embedding_hnsw;
  

• 従来のクエリはそのまま利用可能、PRISMインデックスが優先される

演算子クラス

• 距離指標ごとに演算子クラスを選択
  • L2距離（<->）：vec32_l2_ops / vec16_l2_ops
  • 内積（<#>）：vec32_ip_ops / vec16_ip_ops
  • コサイン（<=>）：vec32_cosine_ops / vec16_cosine_ops
• pgvectorのvector_<metric>ops→vec32<metric>_ops、halfvec→vec16

チューニング

• デフォルトは大規模ベンチマークで最適化済み
• prism.nprobe の調整が主
• 詳細なパラメータ・トレードオフはtuning guide参照

メンテナンス

• 挿入時は該当ポスティングリストに追加、リストは自動分割なし
• prism_rebalance手続きでリスト分割可能
• 詳細・制限事項はmaintenance guide参照

ビルド要件

• PostgreSQL 18+（開発ヘッダ必須）
• GCC 11+またはClang 14+、Meson
• CBLAS（オプション、RaBitQ高速化）

ドキュメント・参考文献

• Tuning ：パラメータ・GUC・デフォルト・トレードオフ
• Maintenance ：リバランス・リスト分割
• Architecture ：設計・データ構造
• SIMD ：ビルドオプション・距離計算
• Development ：ビルド・テスト・CI
• 研究論文 ：RaBitQ（SIGMOD 2024）、SPFresh（SOSP 2023）、SPANN（NeurIPS 2021）、ScaNN for AlloyDB
• 関連プロジェクト ：pgvector、pgvectorscale（DiskANNベース）
• ライセンス ：The PostgreSQL License

注意事項・制限

• α版のため本番利用非推奨
• プレリリース間のアップグレード不可、再作成が必要
• 既知の問題点・制限はchangelog参照

まとめ

• pg_vectorsearchはPostgreSQL向け最先端ANN検索拡張
• PRISMインデックスで大規模・高速・省メモリを実現
• 既存pgvector環境への導入も容易
• 今後の安定化・機能拡張に期待