論文の概要: Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics
- arxiv url: http://arxiv.org/abs/2603.07626v1
- Date: Sun, 08 Mar 2026 13:27:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:14.988592
- Title: Accelerating Diffusion Models for Generative AI Applications with Silicon Photonics
- Title（参考訳）: シリコンフォトニクスを用いた生成AIアプリケーションのための拡散モデルの高速化
- Abstract要約: 拡散モデルは、非常に現実的な最先端の合成データを生成するために固有の能力を持つ生成AIに革命をもたらした。
これらのモデルでは、UNETやアテンション機構といった計算集約的なレイヤ上で反復的なデノゲーションプロセスを採用している。
拡散モデルのためのシリコンフォトニクスを用いた新しい加速器を提案する。
- 参考スコア（独自算出の注目度）: 2.102846336724103
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Diffusion models have revolutionized generative AI, with their inherent capacity to generate highly realistic state-of-the-art synthetic data. However, these models employ an iterative denoising process over computationally intensive layers such as UNets and attention mechanisms. This results in high inference energy on conventional electronic platforms, and thus, there is an emerging need to accelerate these models in a sustainable manner. To address this challenge, we present a novel silicon photonics-based accelerator for diffusion models. Experimental evaluations demonstrate that our photonic accelerator achieves at least 3x better energy efficiency and 5.5x throughput improvement compared to state-of-the-art diffusion model accelerators.
- Abstract（参考訳）: 拡散モデルは、非常に現実的な最先端の合成データを生成するために固有の能力を持つ生成AIに革命をもたらした。
しかしながら、これらのモデルは、UNETやアテンション機構のような計算集約的なレイヤ上で反復的なデノゲーションプロセスを採用している。
これにより、従来の電子プラットフォーム上での推論エネルギーが高くなり、持続可能な方法でこれらのモデルを加速する必要性が高まっている。
この課題に対処するために、拡散モデルのためのシリコンフォトニクスベースの新しい加速器を提案する。
実験により,我々のフォトニック加速器は,最先端拡散モデル加速器と比較して,少なくとも3倍のエネルギー効率と5.5倍のスループット向上を実現していることが示された。
関連論文リスト
- teasr: training-efficient any-step diffusion transformer for real-world image super-resolution [10.733502031936958]
TEASRはReal-ISRのためのトレーニング効率の良い任意のステップ拡散フレームワークである。
我々のキーとなる考え方は、単一拡散モデル内で自己逆蒸留を行うことである。
ノイズレベルの一段階生成を安定化する時間ステップ対応補正戦略を提案する。
論文 参考訳（メタデータ） (2026-06-15T04:02:37Z) - Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。
提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。
この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
論文 参考訳（メタデータ） (2025-11-21T08:12:47Z) - CHORDS: Diffusion Sampling Accelerator with Multi-core Hierarchical ODE Solvers [72.23291099555459]
拡散に基づく生成モデルは、高忠実度画像やビデオの主要な生成元となっているが、計算コストのかかる推論手順によって制限されている。
本稿では,マルチコア並列処理による一般,トレーニング不要,モデルに依存しない高速化戦略について検討する。
ChoRDSは様々な大規模画像およびビデオ拡散モデルのサンプリングを著しく加速し、4コアで2.1倍のスピードアップを実現し、ベースラインで50%改善し、8コアで2.9倍のスピードアップを実現した。
論文 参考訳（メタデータ） (2025-07-21T05:48:47Z) - Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。
本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。
KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
論文 参考訳（メタデータ） (2025-07-01T05:55:28Z) - SQ-DM: Accelerating Diffusion Models with Aggressive Quantization and Temporal Sparsity [4.6126713437495495]
本稿では,混合精度密度スパースアーキテクチャ,チャネルラストアドレスマッピング,時間ステップ対応空間検出器を備えた新しい拡散モデル加速器を提案する。
我々の加速器は従来の高密度加速器に比べて6.91倍のスピードアップと51.5%のエネルギー削減を実現している。
論文 参考訳（メタデータ） (2025-01-26T08:34:26Z) - Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - Taming Diffusion Prior for Image Super-Resolution with Domain Shift SDEs [36.65594293655289]
DoSSRは、事前訓練された拡散モデルの生成力を生かしたドメインシフト拡散に基づくSRモデルである。
このアプローチの核となるのは、既存の拡散モデルとシームレスに統合されるドメインシフト方程式です。
提案手法は, 合成および実世界のデータセットに対して, 5つのサンプリングステップしか必要とせず, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-26T12:16:11Z) - Diff-PIC: Revolutionizing Particle-In-Cell Nuclear Fusion Simulation with Diffusion Models [38.46100610494588]
核融合は究極的な解決策と見なされ、ほぼ1世紀にわたって集中的な研究の焦点となっている。
慣性凝縮核融合の最近の進歩は核融合研究に大きな注目を集めている。
レーザー-プラズマ相互作用は核融合安定性と効率を確保するために重要である。
論文 参考訳（メタデータ） (2024-08-03T19:42:31Z) - Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。
近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。
拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
論文 参考訳（メタデータ） (2024-06-05T13:11:53Z) - Distilling Diffusion Models into Conditional GANs [90.76040478677609]
複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。
E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。
我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
論文 参考訳（メタデータ） (2024-05-09T17:59:40Z) - An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。
経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。
本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
論文 参考訳（メタデータ） (2024-04-11T14:07:25Z)
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。