論文の概要: TorchCor: High-Performance Cardiac Electrophysiology Simulations with the Finite Element Method on GPUs

• arxiv url: http://arxiv.org/abs/2510.12011v1
• Date: Mon, 13 Oct 2025 23:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.115054
• Title: TorchCor: High-Performance Cardiac Electrophysiology Simulations with the Finite Element Method on GPUs
• Title（参考訳）: TorchCor:GPU上の有限要素法による高性能心電気生理学的シミュレーション
• Authors: Bei Zhou, Maximilian Balmus, Cesare Corrado, Ludovica Cicci, Shuang Qian, Steven A. Niederer,
• Abstract要約: 本稿では,CEPシミュレーションのための高性能PythonライブラリTorchCorを紹介する。 TorchCorは、特に大きな3Dメッシュにおいて、CEPシミュレーションを著しく加速する。 製造された解析解と$N$-versionベンチマーク問題に対して、解法の精度を検証した。
• 参考スコア（独自算出の注目度）: 1.3315124754776244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac electrophysiology (CEP) simulations are increasingly used for understanding cardiac arrhythmias and guiding clinical decisions. However, these simulations typically require high-performance computing resources with numerous CPU cores, which are often inaccessible to many research groups and clinicians. To address this, we present TorchCor, a high-performance Python library for CEP simulations using the finite element method on general-purpose GPUs. Built on PyTorch, TorchCor significantly accelerates CEP simulations, particularly for large 3D meshes. The accuracy of the solver is verified against manufactured analytical solutions and the $N$-version benchmark problem. TorchCor is freely available for both academic and commercial use without restrictions.
• Abstract（参考訳）: 心臓電気生理学(CEP)シミュレーションは、心臓不整脈の理解と臨床決定の導出にますます利用されている。 しかし、これらのシミュレーションは通常、多数のCPUコアを持つ高性能な計算資源を必要とし、多くの研究グループや臨床医にはアクセスできないことが多い。 そこで本研究では,汎用GPU上の有限要素法を用いて,CEPシミュレーションのための高性能PythonライブラリTorchCorを提案する。 PyTorch上に構築されたTorchCorは,特に大規模な3Dメッシュにおいて,CEPシミュレーションを著しく高速化する。 製造された解析解と$N$-versionベンチマーク問題に対して、解法の精度を検証した。 TorchCorは、学術的にも商業的にも自由に利用できる。

関連論文リスト

• PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [59.38498811984876]
  我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。 まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。 2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
  論文  参考訳（メタデータ） (2025-05-22T17:55:10Z)
• QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
  ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。 提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。 我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
  論文  参考訳（メタデータ） (2025-03-20T21:03:10Z)
• CUAOA: A Novel CUDA-Accelerated Simulation Framework for the QAOA [3.757262277494307]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、最適化問題の近似解を見つけるために設計された顕著な量子アルゴリズムである。 既存の最先端のシミュレーションフレームワークは、長い実行時間や包括的な機能が欠如している。 ランタイム・ザ・アート・ツールキットを用いたGPUアクセラレーションQAOAシミュレーションフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-07-17T21:06:18Z)
• Local object crop collision network for efficient simulation of non-convex objects in GPU-based simulators [6.33790920152602]
  我々のゴールは、非ネットワークオブジェクトの大規模シミュレーションのための効率的な接触検出アルゴリズムを開発することである。 補足材料の品質と量にのみ依存するCDのためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2023-04-19T06:09:12Z)
• Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
  EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。 本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T09:14:12Z)
• Performance Evaluation and Acceleration of the QTensor Quantum Circuit Simulator on GPUs [6.141912076989479]
  我々は、NumPy、PyTorch、CuPyのバックエンドを実装し、ベンチマークを行い、CPUまたはGPUにテンソルシミュレーションの最適な割り当てを見つける。 ベンチマークしたQAOA回路のCPU上のNumPyベースライン上でのGPUの高速化により,MaxCut問題を解く。
  論文  参考訳（メタデータ） (2022-04-12T19:03:44Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• Predictive Coding Approximates Backprop along Arbitrary Computation Graphs [68.8204255655161]
  我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。 私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。 本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
  論文  参考訳（メタデータ） (2020-06-07T15:35:47Z)
• PolyScientist: Automatic Loop Transformations Combined with Microkernels for Optimization of Deep Learning Primitives [55.79741270235602]
  深層学習カーネル開発のためのハイブリッドソリューションを開発する。 我々は、高度な多面体技術を用いて、パフォーマンスのために外部ループを自動的に調整する。
  論文  参考訳（メタデータ） (2020-02-06T08:02:34Z)

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。