論文の概要: Photonic co-processors in HPC: using LightOn OPUs for Randomized Numerical Linear Algebra

• arxiv url: http://arxiv.org/abs/2104.14429v1
• Date: Thu, 29 Apr 2021 15:48:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 13:09:49.837327
• Title: Photonic co-processors in HPC: using LightOn OPUs for Randomized Numerical Linear Algebra
• Title（参考訳）: HPCにおけるフォトニックコプロセッサ--ランダム化数値線形代数におけるLightOn OPUを用いた
• Authors: Daniel Hesslow, Alessandro Cappelli, Igor Carron, Laurent Daudet, Rapha\"el Lafargue, Kilian M\"uller, Ruben Ohana, Gustave Pariente, and Iacopo Poli
• Abstract要約: 従来のハードウェアでは,次元削減のためのランダム化ステップ自体が計算ボトルネックとなる可能性がある。 ランダム化は,様々な重要なrandnlaアルゴリズムにおいて,精度損失が無視できないほど大幅に高速化できることを示す。
• 参考スコア（独自算出の注目度）: 53.13961454500934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Randomized Numerical Linear Algebra (RandNLA) is a powerful class of methods, widely used in High Performance Computing (HPC). RandNLA provides approximate solutions to linear algebra functions applied to large signals, at reduced computational costs. However, the randomization step for dimensionality reduction may itself become the computational bottleneck on traditional hardware. Leveraging near constant-time linear random projections delivered by LightOn Optical Processing Units we show that randomization can be significantly accelerated, at negligible precision loss, in a wide range of important RandNLA algorithms, such as RandSVD or trace estimators.
• Abstract（参考訳）: Randomized Numerical Linear Algebra (RandNLA) は、ハイパフォーマンスコンピューティング(HPC)で広く使われている強力な手法のクラスである。 RandNLAは、大信号に適用される線形代数関数の近似解を、計算コストを削減して提供する。 しかし、次元減少のためのランダム化ステップは、従来のハードウェアにおける計算ボトルネックとなるかもしれない。 LightOn Optical Processing Unitsによって提供されるほぼ定時間線形ランダムプロジェクションを活用することで、RandSVDやトレース推定器など、幅広い重要なRandNLAアルゴリズムにおいて、ランダム化は無視可能な精度で大幅に加速できることを示す。

関連論文リスト

• Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning [49.0767291348921]
  RandNLA (Randomized Numerical Linear Algebra) は、ランダムネスを用いてユビキタス行列問題に対する改良アルゴリズムを開発する分野である。 この記事では、これらの開発状況を踏まえた自己完結したRandNLAの概要を紹介する。
  論文  参考訳（メタデータ） (2024-06-17T02:30:55Z)
• Random Fourier Signature Features [8.766411351797885]
  代数はシグネチャカーネルと呼ばれる任意の長さの列の類似性の最も強力な尺度の1つを生み出す。 署名カーネルのスケールを、配列の長さと数で2次的に計算する以前のアルゴリズム。 本研究では,非ユークリッド領域に作用するシグネチャカーネルのランダムなフーリエ特徴量に基づくアクセラレーションを開発する。
  論文  参考訳（メタデータ） (2023-11-20T22:08:17Z)
• Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
  本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。 本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。 大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
  論文  参考訳（メタデータ） (2023-09-01T18:02:04Z)
• Constrained Optimization via Exact Augmented Lagrangian and Randomized Iterative Sketching [55.28394191394675]
  等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。 ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-28T06:33:37Z)
• High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
  共分散行列の明示的な構成を避ける新しい推論手法を提案する。 本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。 いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
  論文  参考訳（メタデータ） (2022-02-25T16:35:26Z)
• Quadratic speedup for simulating Gaussian boson sampling [0.9236074230806577]
  本稿では,ガウスボソンサンプリングの古典的シミュレーションのためのアルゴリズムを提案する。 アルゴリズムの複雑さは、検出された光子対の数において指数関数的であり、光子の数ではない。 改良されたループハフニアンアルゴリズムはスーパーコンピュータを必要とせずに純粋状態確率を計算することができることを示す。
  論文  参考訳（メタデータ） (2020-10-29T13:53:30Z)
• Determinantal Point Processes in Randomized Numerical Linear Algebra [80.27102478796613]
  数値線形代数(RandNLA)は、科学計算、データサイエンス、機械学習などで発生する行列問題に対する改良されたアルゴリズムを開発するためにランダム性を使用する。 最近の研究により、DPPとRandNLAの間の深い実りある関係が明らかになり、新たな保証とアルゴリズムの改善につながった。
  論文  参考訳（メタデータ） (2020-05-07T00:39:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。