Fugu-MT 論文翻訳(概要): Solving Boltzmann Optimization Problems with Deep Learning

論文の概要: Solving Boltzmann Optimization Problems with Deep Learning

arxiv url: http://arxiv.org/abs/2401.17408v1
Date: Tue, 30 Jan 2024 19:52:02 GMT
ステータス: 処理完了
システム内更新日: 2024-02-01 16:26:12.711028
Title: Solving Boltzmann Optimization Problems with Deep Learning
Title（参考訳）: 深層学習によるボルツマン最適化問題の解法
Authors: Fiona Knoll, John T. Daly, Jess J. Meyer
Abstract要約: Isingモデルは、高エネルギー効率計算のための将来のフレームワークとして、特に有望であることを示している。イジングシステムは、計算のエネルギー消費に対する熱力学的限界に近づくエネルギーで操作することができる。 Isingベースのハードウェアを作成する際の課題は、基本的な非決定論的ハードウェア上で正しい結果を生成する有用な回路を最適化することである。
参考スコア（独自算出の注目度）: 0.21485350418225244
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Decades of exponential scaling in high performance computing (HPC) efficiency is coming to an end. Transistor based logic in complementary metal-oxide semiconductor (CMOS) technology is approaching physical limits beyond which further miniaturization will be impossible. Future HPC efficiency gains will necessarily rely on new technologies and paradigms of compute. The Ising model shows particular promise as a future framework for highly energy efficient computation. Ising systems are able to operate at energies approaching thermodynamic limits for energy consumption of computation. Ising systems can function as both logic and memory. Thus, they have the potential to significantly reduce energy costs inherent to CMOS computing by eliminating costly data movement. The challenge in creating Ising-based hardware is in optimizing useful circuits that produce correct results on fundamentally nondeterministic hardware. The contribution of this paper is a novel machine learning approach, a combination of deep neural networks and random forests, for efficiently solving optimization problems that minimize sources of error in the Ising model. In addition, we provide a process to express a Boltzmann probability optimization problem as a supervised machine learning problem.
Abstract（参考訳）: 数十年にわたるハイパフォーマンスコンピューティング(hpc)効率の指数関数的スケーリングが終わりに近づいている。相補的金属酸化物半導体(CMOS)技術におけるトランジスタベースの論理は、さらなる小型化が不可能な物理的限界に近づいている。将来のHPC効率向上は、必ずしも新しい技術と計算パラダイムに依存している。 isingモデルは、高エネルギー効率な計算のための将来のフレームワークとして、特に有望である。イジングシステムは、計算のエネルギー消費に対する熱力学的限界に近づくエネルギーで操作することができる。イジングシステムは論理とメモリの両方として機能する。これにより、コストのかかるデータ移動を排除し、CMOSコンピューティング固有のエネルギーコストを大幅に削減することができる。 isingベースのハードウェアを作成する上での課題は、基本的な非決定論的ハードウェア上で正しい結果を生み出す有用な回路を最適化することである。本稿では,Isingモデルにおける誤りの発生源を最小化する最適化問題を効率的に解くために,深層ニューラルネットワークとランダムフォレストを組み合わせた新しい機械学習手法を提案する。さらに,ボルツマン確率最適化問題を教師付き機械学習問題として表現するプロセスを提案する。

関連論文リスト

Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文参考訳（メタデータ） (2023-11-05T11:48:08Z)
A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文参考訳（メタデータ） (2023-09-02T11:01:16Z)
Efficient Neural PDE-Solvers using Quantization Aware Training [71.0934372968972]
量子化は、性能を維持しながら推論の計算コストを下げることができることを示す。 4つの標準PDEデータセットと3つのネットワークアーキテクチャの結果、量子化対応のトレーニングは、設定と3桁のFLOPで機能することがわかった。
論文参考訳（メタデータ） (2023-08-14T09:21:19Z)
Energy-frugal and Interpretable AI Hardware Design using Learning Automata [5.514795777097036]
Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
論文参考訳（メタデータ） (2023-05-19T15:11:18Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
A full-stack view of probabilistic computing with p-bits: devices, architectures and algorithms [0.014319921806060482]
pビットを用いた確率計算のフルスタックレビューを提供する。 pビットはエネルギー効率のよい確率システムを構築するのに使用できると我々は主張する。我々は、機械学習からAIまで、確率的コンピュータの主な応用について概説する。
論文参考訳（メタデータ） (2023-02-13T15:36:07Z)
Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文参考訳（メタデータ） (2022-10-17T17:30:09Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
Neuromorphic scaling advantages for energy-efficient random walk computation [0.28144129864580447]
ニューロモルフィックコンピューティングは、人間のハードウェアで脳の計算構造とアーキテクチャを再現することを目的としている。スパイキングニューロモルフィックアーキテクチャの高次並列性と構成性は、離散時間チェーンを介してランダムウォークを実装するのに適していることを示す。 NMCプラットフォームは十分な規模で,高性能コンピューティングプラットフォームのエネルギー需要を大幅に削減できることがわかった。
論文参考訳（メタデータ） (2021-07-27T19:44:33Z)
From DNNs to GANs: Review of efficient hardware architectures for deep learning [0.0]
ニューラルネットワークとディープラーニングが現在の研究パラダイムに影響を与え始めている。 DSPプロセッサは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成的敵ネットワーク操作を実行することができない。異なるアルゴリズムは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成対向ネットワークにおける高速なパフォーマンスに適合するDSPプロセッサを設計するために適合している。
論文参考訳（メタデータ） (2021-06-06T13:23:06Z)
Deep Reinforcement Learning for Stochastic Computation Offloading in Digital Twin Networks [1.0509026467663467]
Digital Twinは、産業用モノのインターネット(IIoT)のデジタルトランスフォーメーションを強化するための有望な技術である我々はまず,ネットワークトポロジとタスク到着モデルを構築するための新しいパラダイムであるDigital Twin Networks (DTN)を提案する。次に, 長期エネルギー効率を最小化するために, 計算オフロード問題と資源配分問題を定式化する。
論文参考訳（メタデータ） (2020-11-17T05:40:16Z)

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。