Fugu-MT 論文翻訳(概要): Hyperdimensional Computing for Sustainable Manufacturing: An Initial Assessment

論文の概要: Hyperdimensional Computing for Sustainable Manufacturing: An Initial Assessment

arxiv url: http://arxiv.org/abs/2512.03864v1
Date: Wed, 03 Dec 2025 15:14:34 GMT
ステータス: 情報取得中
システム内更新日: 2025-12-04 12:16:07.087894
Title: Hyperdimensional Computing for Sustainable Manufacturing: An Initial Assessment
Title（参考訳）: 持続可能製造のための超次元計算 : 初期評価
Authors: Danny Hoang, Anandkumar Patel, Ruimen Chen, Rajiv Malhotra, Farhad Imani,
Abstract要約: 本研究では, センサを用いたスマート加工における幾何学的品質の予測手法を用いて, 一般的なAIモデルのエネルギー消費, 精度, 速度を比較する。超次元コンピューティング(HDC)は、エネルギー消費を大幅に削減しつつ、従来のモデルに匹敵する精度を達成する代替手段として導入された。
参考スコア（独自算出の注目度）: 0.9851812512860351
License:
Abstract: Smart manufacturing can significantly improve efficiency and reduce energy consumption, yet the energy demands of AI models may offset these gains. This study utilizes in-situ sensing-based prediction of geometric quality in smart machining to compare the energy consumption, accuracy, and speed of common AI models. HyperDimensional Computing (HDC) is introduced as an alternative, achieving accuracy comparable to conventional models while drastically reducing energy consumption, 200$\times$ for training and 175 to 1000$\times$ for inference. Furthermore, HDC reduces training times by 200$\times$ and inference times by 300 to 600$\times$, showcasing its potential for energy-efficient smart manufacturing.
Abstract（参考訳）: スマートマニュファクチャリングは効率を大幅に改善しエネルギー消費を減らすことができるが、AIモデルのエネルギー需要はこれらの利益を相殺する可能性がある。本研究では, センサを用いたスマート加工における幾何学的品質の予測手法を用いて, 一般的なAIモデルのエネルギー消費, 精度, 速度を比較する。超次元コンピューティング(HDC)は、従来のモデルに匹敵する精度を実現し、エネルギー消費を大幅に削減し、トレーニングには200$\times$、推論には175〜1000$\times$が導入された。さらに、HDCはトレーニング時間を200$\times$、推論時間を300から600$\times$に短縮し、エネルギー効率の良いスマート製造の可能性を示している。

関連論文リスト

Small is Sufficient: Reducing the World AI Energy Consumption Through Model Selection [3.2548794659022398]
Green AIは、より小さく、より効率的なモデルを通じて、エネルギーのソリエティを強調する。モデル選択を適用することで、AIのエネルギー消費を27.8%削減し、2025年には世界中で31.9TWh節約できる。
論文参考訳（メタデータ） (2025-10-02T10:58:13Z)
Scaling and Distilling Transformer Models for sEMG [45.62920901482346]
表面筋電図(sEMG)信号は、革新的なヒューマン・コンピュータ・インタフェースを開発する上で有望な道を提供する。デプロイメント中のトレーニングデータと計算制約の制限は、sEMGタスクを解決するためのモデルサイズのスケールアップに関する調査を制限している。我々は,バニラトランスモデルをsEMGデータ上で効果的にスケールアップし,ユーザ間性能を最大110Mパラメータに向上できることを実証した。
論文参考訳（メタデータ） (2025-07-29T13:41:59Z)
Every FLOP Counts: Scaling a 300B Mixture-of-Experts LING LLM without Premium GPUs [96.68469559192846]
2つの異なる大きさのMoE大言語モデル(LLM)を提示する。 Ling-Liteは168億のパラメータと275億のアクティベートパラメータを持ち、Ling-Plusは2900億のパラメータと288億のアクティベートパラメータを持っている。本稿では,(1)モデルアーキテクチャとトレーニングプロセスの最適化,(2)トレーニング異常処理の洗練,(3)モデル評価効率の向上のための革新的な手法を提案する。
論文参考訳（メタデータ） (2025-03-07T04:43:39Z)
PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security [0.0]
本研究は,予測エネルギー最適化を強化するための多面的手法を提案する。このモデルは、スマートメーターエネルギー消費データ、再生可能エネルギー出力、動的価格設定、IoTデバイスから収集されたユーザの好みなど、包括的なデータセットを使用してトレーニングされ、検証された。提案手法は平均絶対誤差(MAE)が0.237 kWh、ルート平均平方誤差(RMSE)が0.298 kWh、R2が0.978、データ分散の97.8%で予測性能に優れていた。
論文参考訳（メタデータ） (2025-03-01T03:37:09Z)
THOR: A Generic Energy Estimation Approach for On-Device Training [34.57867978862375]
THORは、ディープニューラルネットワーク(DNN)トレーニングにおけるエネルギー消費推定のための一般的なアプローチである。我々は、様々な現実世界のプラットフォームにまたがる様々なタイプのモデルで広範な実験を行う。その結果,THORは平均絶対パーセンテージ誤差(MAPE)を最大30%削減した。
論文参考訳（メタデータ） (2025-01-27T03:29:02Z)
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)
Towards Physical Plausibility in Neuroevolution Systems [0.276240219662896]
人工知能(AI)モデル、特にディープニューラルネットワーク(DNN)の利用の増加は、トレーニングや推論における消費電力を増加させている。本研究は機械学習(ML)におけるエネルギー消費の増大問題に対処する。電力使用量をわずかに削減しても、大幅な省エネ、ユーザ、企業、環境に恩恵をもたらす可能性がある。
論文参考訳（メタデータ） (2024-01-31T10:54:34Z)
Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-17T02:12:30Z)
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)
NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。