論文の概要: Quantum Information Engines: Assessing Time, Cost and Performance Criteria

• arxiv url: http://arxiv.org/abs/2404.17431v1
• Date: Fri, 26 Apr 2024 14:14:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 12:55:05.122092
• Title: Quantum Information Engines: Assessing Time, Cost and Performance Criteria
• Title（参考訳）: 量子情報エンジン: 時間、コスト、パフォーマンスの基準を評価する
• Authors: Henning Kirchberg, Abraham Nitzan,
• Abstract要約: 情報エンジン(IE)における計測時間(t_m$)、情報ゲイン、エネルギー消費の重要な役割について検討する。 測定時間が増加するにつれて、情報ゲイン、次いで抽出された作業も増加する。 性能指標として効率と電力の積を考えることにより、IEの最適動作条件を特定できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we investigate the crucial role of measurement time ($t_m$), information gain and energy consumption in information engines (IEs) utilizing a von-Neumann measurement model. These important measurement parameters allow us to analyze the efficiency and power output of these devices. As the measurement time increases, the information gain and subsequently the extracted work also increase. However, there is a corresponding increase in the energetic cost. The efficiency of converting information into free energy diminishes as $t_m$ approaches both 0 and infinity, peaking at intermediate values of $t_m$. The power output (work extracted per times) also reaches a maximum at specific operational time regimes. By considering the product of efficiency and power as a performance metric, we can identify the optimal operating conditions for the IE.
• Abstract（参考訳）: 本研究では,フォン・ノイマン測定モデルを用いた情報エンジン(IE)における計測時間(t_m$),情報ゲイン,エネルギー消費の重要要因について検討した。 これらの重要な測定パラメータは、これらのデバイスの効率と出力を分析することができる。 測定時間が増加するにつれて、情報ゲイン、次いで抽出された作業も増加する。 しかし、それに伴うエネルギーコストの増加がある。 情報を自由エネルギーに変換する効率は、$t_m$が0とinfinityの両方に近づき、$t_m$の中間値がピークとなるにつれて低下する。 出力(時間毎に抽出される作業)も特定の運用時間帯で最大に達する。 性能指標として効率と電力の積を考えることにより、IEの最適動作条件を特定できる。

関連論文リスト

• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• Enhancing Energy-Awareness in Deep Learning through Fine-Grained Energy Measurement [11.37120215795946]
  本稿では,詳細なディープラーニングエネルギー消費測定のためのフレームワークであるFECoM(Fine-fine Energy Consumption Meter)を紹介する。 FECoMは、静的計測を用いて、計算負荷安定性や温度など様々な要因を考慮し、エネルギー消費をきめ細かいレベルで測定する課題に対処する。
  論文  参考訳（メタデータ） (2023-08-23T17:32:06Z)
• Efficiency at maximum power of a Carnot quantum information engine [68.8204255655161]
  本稿では,量子情報エンジンの有限時間Carnotサイクルを導入し,低損失状態下での出力を最適化する。 弱エネルギー測定を受ける量子ビット情報エンジンの最適性能について検討する。
  論文  参考訳（メタデータ） (2023-01-31T11:18:12Z)
• Guaranteed efficient energy estimation of quantum many-body Hamiltonians using ShadowGrouping [55.47824411563162]
  量子多体系のエネルギーの推定は、様々な研究分野におけるパラダイム的な課題である。 本研究の目的は,全測定予算から最も高い証明可能な精度が得られる単一キュービット計測による最適戦略を見出すことである。 私たちはShadowGroupingと呼ばれる実用的で効率的な見積もり戦略を開発します。
  論文  参考訳（メタデータ） (2023-01-09T14:41:07Z)
• Precise Energy Consumption Measurements of Heterogeneous Artificial Intelligence Workloads [0.534434568021034]
  本稿では,異なるタイプの計算ノード上でのディープラーニングモデルの典型的な2つの応用のエネルギー消費の測定を行う。 我々のアプローチの1つの利点は、スーパーコンピュータの全ユーザーがエネルギー消費に関する情報を利用できることである。
  論文  参考訳（メタデータ） (2022-12-03T21:40:55Z)
• Great Power, Great Responsibility: Recommendations for Reducing Energy for Training Language Models [8.927248087602942]
  一般的なNLPアプリケーションのエネルギー消費を削減できる技術について検討する。 これらの手法は、訓練言語モデルや推論に使用する際のエネルギー消費を著しく減少させる可能性がある。
  論文  参考訳（メタデータ） (2022-05-19T16:03:55Z)
• Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
  コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。 継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
  論文  参考訳（メタデータ） (2021-09-12T09:40:18Z)
• Collective effects on the performance and stability of quantum heat engines [62.997667081978825]
  小型熱機関の動作における量子力学的拡張の最近の予測は、新たな関心を集めている。 1つの重要な問題は、集団効果が大規模に拡張するのに役立つかどうかである。 エンジンを構成するスピンの数とともに, パワー, 効率, 一貫性のスケールについて検討する。
  論文  参考訳（メタデータ） (2021-06-25T18:00:07Z)
• Towards Accurate and Reliable Energy Measurement of NLP Models [20.289537200662306]
  既存のソフトウェアベースのエネルギー測定は、ハードウェアの違いや資源利用がエネルギー消費に与える影響を考慮していないため、正確ではないことを示す。 我々は,高精度なエネルギー測定を行うハードウェアパワーメータを用いて,既存のソフトウェアベースのエネルギー測定の誤差を定量化する。 我々の重要な特徴は、ハードウェアの多様性と資源利用とエネルギー消費の非線形関係を考慮に入れたより正確なエネルギー推定モデルの必要性である。
  論文  参考訳（メタデータ） (2020-10-11T13:44:52Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。