論文の概要: Memory-Efficient FPGA Implementation of Stochastic Simulated Annealing

• arxiv url: http://arxiv.org/abs/2601.18007v1
• Date: Sun, 25 Jan 2026 21:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.578683
• Title: Memory-Efficient FPGA Implementation of Stochastic Simulated Annealing
• Title（参考訳）: 確率的擬似アニーリングにおけるメモリ効率のよいFPGA実装
• Authors: Duckgyu Shin, Naoya Onizawa, Warren J. Gross, Takahiro Hanyu,
• Abstract要約: 本稿では,メモリ効率の高いFPGA実装のためのハードウェア対応SSA(HA-SSA)アルゴリズムを提案する。 HA-SSAは、SSAの計算速度を維持しながら中間結果を保存する際のメモリ使用量を削減できる。 最適化問題に対して高いソリューション品質を維持しつつ,従来のSSAのメモリ効率を最大6倍に向上させる。
• 参考スコア（独自算出の注目度）: 5.329135985749616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulated annealing (SA) is a well-known algorithm for solving combinatorial optimization problems. However, the computation time of SA increases rapidly, as the size of the problem grows. Recently, a stochastic simulated annealing (SSA) algorithm that converges faster than conventional SA has been reported. In this paper, we present a hardware-aware SSA (HA- SSA) algorithm for memory-efficient FPGA implementations. HA-SSA can reduce the memory usage of storing intermediate results while maintaining the computing speed of SSA. For evaluation purposes, the proposed algorithm is compared with the conventional SSA and SA approaches on maximum cut combinatorial optimization problems. HA-SSA achieves a convergence speed that is up to 114-times faster than that of the conventional SA algorithm depending on the maximum cut problem selected from the G-set which is a dataset of the maximum cut problems. HA-SSA is implemented on a field-programmable gate array (FPGA) (Xilinx Kintex-7), and it achieves up to 6-times the memory efficiency of conventional SSA while maintaining high solution quality for optimization problems.
• Abstract（参考訳）: Simulated annealing (SA) は組合せ最適化問題の解法としてよく知られたアルゴリズムである。 しかし,SAの計算時間は問題のサイズが大きくなるにつれて急速に増加する。 近年,従来のSAよりも高速に収束する確率的シミュレート・アニール法 (SSA) が報告されている。 本稿では,メモリ効率の高いFPGA実装のためのハードウェア対応SSA(HA-SSA)アルゴリズムを提案する。 HA-SSAは、SSAの計算速度を維持しながら中間結果を保存する際のメモリ使用量を削減できる。 評価のために,提案アルゴリズムは,最大カット組合せ最適化問題に対する従来のSSAおよびSAアプローチと比較する。 HA-SSAは,最大カット問題のデータセットであるGセットから選択した最大カット問題に応じて,従来のSAアルゴリズムよりも最大114倍高速な収束速度を実現する。 HA-SSAはFPGA(Xilinx Kintex-7)上に実装されており、最適化問題に対して高い解品質を維持しつつ、従来のSSAのメモリ効率を最大6倍に向上させる。

関連論文リスト

• Variables Ordering Optimization in Boolean Characteristic Set Method Using Simulated Annealing and Machine Learning-based Time Prediction [1.654967376694554]
  本稿では,機械学習に基づく時間予測とシミュレーションアニーリング(SA)を統合した新しいフレームワークを提案する。 我々は、任意の変数の順序付けに要する問題解決時間を推定するために、正確なML予測器 ft(X) を訓練する。 実験により,本手法は標準BCSアルゴリズムよりもかなり優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T09:02:32Z)
• Freya PAGE: First Optimal Time Complexity for Large-Scale Nonconvex Finite-Sum Optimization with Heterogeneous Asynchronous Computations [92.1840862558718]
  実用的な分散システムでは、労働者は概して均質ではなく、非常に多様な処理時間を持つ。 本稿では、任意に遅い計算を扱うための新しい並列手法Freyaを提案する。 Freyaは従来の手法と比較して,複雑性の保証が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2024-05-24T13:33:30Z)
• Fast, Scalable, Warm-Start Semidefinite Programming with Spectral Bundling and Sketching [53.91395791840179]
  我々は、大規模なSDPを解くための、証明可能な正確で高速でスケーラブルなアルゴリズムであるUnified Spectral Bundling with Sketching (USBS)を提案する。 USBSは、20億以上の決定変数を持つインスタンス上で、最先端のスケーラブルなSDP解決器よりも500倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2023-12-19T02:27:22Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• A Schedule of Duties in the Cloud Space Using a Modified Salp Swarm Algorithm [0.0]
  クラウド領域で最も重要なNPハード問題のひとつはスケジューリングです。 Salp Swarm Algorithm (SSA)と呼ばれる集団知能アルゴリズムの1つが拡張され、改良され、適用された。 その結果,本アルゴリズムは一般に他のアルゴリズムよりも高い性能を示した。
  論文  参考訳（メタデータ） (2023-09-18T02:48:41Z)
• Stochastic Average Gradient : A Simple Empirical Investigation [0.0]
  平均勾配 (SAG) は有限個の滑らかな関数の和を最適化する手法である。 SAGは、単純な玩具問題において、他のイテレーションよりも早く収束し、単純な機械学習問題において、他の多くのイテレーションよりも優れたパフォーマンスを発揮する。 また,運動量アルゴリズムとAdamを組み合わせたSAGを提案する。
  論文  参考訳（メタデータ） (2023-07-27T17:34:26Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)

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。