論文の概要: In-Network Collective Operations: Game Changer or Challenge for AI Workloads?
- arxiv url: http://arxiv.org/abs/2601.19132v1
- Date: Tue, 27 Jan 2026 02:59:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-28 15:26:51.146726
- Title: In-Network Collective Operations: Game Changer or Challenge for AI Workloads?
- Title（参考訳）: In-Network Collective Operations: AIワークロードのゲームチェンジャーやチャレンジ?
- Authors: Torsten Hoefler, Mikhail Khalilov, Josiah Clark, Surendra Anubolu, Mohan Kalkunte, Karen Schramm, Eric Spada, Duncan Roweth, Keith Underwood, Adrian Caulfield, Abdul Kabbani, Amirreza Rastegari,
- Abstract要約: 本稿では,AIワークロードにおける集合演算を高速化するネットワーク内集合演算(INC)の機会を要約する。
ノードレベルで実装されたEdge-INCと,ネットワークスイッチ内に組み込まれたCore-INCの2種類について検討する。
Edge-INCとCore-INCの両面での潜在的なパフォーマンス上のメリットに加えて,その採用を妨げる可能性のある6つの重要な障害についても概説する。
- 参考スコア（独自算出の注目度）: 11.415226602441484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper summarizes the opportunities of in-network collective operations (INC) for accelerated collective operations in AI workloads. We provide sufficient detail to make this important field accessible to non-experts in AI or networking, fostering a connection between these communities. Consider two types of INC: Edge-INC, where the system is implemented at the node level, and Core-INC, where the system is embedded within network switches. We outline the potential performance benefits as well as six key obstacles in the context of both Edge-INC and Core-INC that may hinder their adoption. Finally, we present a set of predictions for the future development and application of INC.
- Abstract（参考訳）: 本稿では,AIワークロードにおける集合演算を高速化するネットワーク内集合演算(INC)の機会を要約する。
我々は、この重要な分野をAIやネットワークの非専門家に公開し、これらのコミュニティ間のつながりを育むのに十分な詳細を提供する。
ノードレベルでシステムが実装されるEdge-INCと、ネットワークスイッチ内にシステムが埋め込まれるCore-INCの2つのタイプを考えてみましょう。
Edge-INCとCore-INCの両面での潜在的なパフォーマンス上のメリットに加えて,その採用を妨げる可能性のある6つの重要な障害についても概説する。
最後に,INCの今後の発展と応用の予測について述べる。
関連論文リスト
- Beyond Connectivity: An Open Architecture for AI-RAN Convergence in 6G [20.07205081315289]
本稿では、共有インフラストラクチャ上での通信およびAIワークロードのオーケストレーションと管理を統一する、新しい収束型O-RANおよびAI-RANアーキテクチャを提案する。
i) O-RAN Service Management and Orchestration(SMO)を拡張してRANおよびAIワークロード間の統合リソースとアロケーションを可能にするAI-RAN Orchestrator、(ii)分散エッジAIプラットフォームにリアルタイム処理機能を提供するAI-RANサイト。
論文 参考訳（メタデータ） (2025-07-09T14:49:11Z) - End-to-End Edge AI Service Provisioning Framework in 6G ORAN [7.6934511825411045]
本稿では,O-RAN rAppsとしてデプロイされたLarge Language Model (LLM)エージェントを活用する,新しいエッジAIおよびネットワークサービスオーケストレーションフレームワークを提案する。
提案システムでは,ユーザのユースケース記述をデプロイ可能なAIサービスと対応するネットワーク構成に変換することで,インタラクティブかつ直感的なオーケストレーションを可能にする。
論文 参考訳（メタデータ） (2025-03-15T00:48:50Z) - Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
本稿では,6GネットワークにおけるAIと通信の概要を概観する。
我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。
講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
論文 参考訳（メタデータ） (2024-12-19T05:36:34Z) - APPFLChain: A Privacy Protection Distributed Artificial-Intelligence
Architecture Based on Federated Learning and Consortium Blockchain [6.054775780656853]
APPFLChainと呼ばれる新しいシステムアーキテクチャを提案する。
これはHyperledger Fabricベースのブロックチェーンとフェデレーション学習パラダイムの統合アーキテクチャである。
我々の新しいシステムは、機密性の高い個人情報をサーバに共有する必要がないため、高いセキュリティとプライバシを維持することができる。
論文 参考訳（メタデータ） (2022-06-26T05:30:07Z) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳（メタデータ） (2020-10-01T02:16:40Z) - Incentive Mechanism Design for Resource Sharing in Collaborative Edge
Learning [106.51930957941433]
5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。
これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
論文 参考訳（メタデータ） (2020-05-31T12:45:06Z)
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。