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
• Authors: Tharini Suresh, Salma Afifi, Sudeep Pasricha,
• 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

• 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)
• 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)
• 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)
• 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。