論文の概要: Computer Architecture's AlphaZero Moment: Automated Discovery in an Encircled World

• arxiv url: http://arxiv.org/abs/2604.03312v1
• Date: Tue, 31 Mar 2026 22:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.499171
• Title: Computer Architecture's AlphaZero Moment: Automated Discovery in an Encircled World
• Title（参考訳）: コンピュータアーキテクチャのAlphaZero Moment: 周囲の世界での発見を自動化する
• Authors: Karthikeyan Sankaralingam,
• Abstract要約: ムーアの法則の終わりとデナードのスケーリングは、コンピュータアーキテクチャの経済性を根本的に変えた。 トランジスタのスケーリングはリターンを減少させるため、アーキテクチャの革新は今やパフォーマンス改善の主要なレバーとなっている。 我々は、人間主導のアーキテクチャ研究は、この新しい時代には根本的に不適当であると主張している。
• 参考スコア（独自算出の注目度）: 2.7306299880022853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The end of Moore's Law and Dennard scaling has fundamentally changed the economics of computer architecture. With transistor scaling delivering diminishing returns, architectural innovation is now the primary - and perhaps only - remaining lever for performance improvement. However, we argue that human-driven architecture research is fundamentally ill-suited for this new era. The architectural design space is vast (effectively infinite for practical purposes), yet human teams explore perhaps 50-100 designs per generation, sampling less than 0.001% of possibilities. This approach worked during the abundance era when Moore's Law provided a rising tide that lifted all designs. In the current scarcity paradigm, where every architecture must deliver 2X performance improvements using essentially the same transistor budget, systematic exploration becomes critical. We propose a concrete alternative: automated idea factories that generate and evaluate thousands of candidate architectures weekly through multi-tiered evaluation pipelines, learning from deployed telemetry data in a continuous feedback loop. Early results suggest that such systems can compress architectural design cycles from double-digit months to single-digit weeks by exploring orders of magnitude more candidates than any human team, and do it much faster. We predict that within 2 years, purely human-driven architecture research will be as obsolete as human chess players competing against engines.
• Abstract（参考訳）: ムーアの法則の終わりとデナードのスケーリングは、コンピュータアーキテクチャの経済性を根本的に変えた。 トランジスタのスケーリングがリターンを減少させる中で、アーキテクチャの革新は、パフォーマンス改善のための主要な、そしておそらく唯一のレバーです。 しかし、人間主導のアーキテクチャ研究は、この新しい時代には基本的に不適当である、と我々は主張する。 建築設計の領域は広大な(実用上は事実上無限である)が、人間チームはおそらく1世代あたり50-100の設計を探索し、0.001%未満の可能性をサンプリングしている。 このアプローチはムーアの法則が上昇する潮流を提供し、全ての設計が持ち上がった時代に有効であった。 現在の希少性パラダイムでは、すべてのアーキテクチャが本質的に同じトランジスタ予算を使って2倍のパフォーマンス改善を提供する必要があるため、体系的な探索が重要になります。 マルチ層評価パイプラインを通じて毎週数千の候補アーキテクチャを生成し評価する自動アイデアファクトリを提案し、連続的なフィードバックループに展開されたテレメトリデータから学習する。 初期の結果は、そのようなシステムは、どのチームよりも桁違いに多くの候補を探索することで、2桁の月から1桁の週までのアーキテクチャ設計サイクルを圧縮でき、より高速に行えることを示唆している。 2年以内に、純粋に人間主導のアーキテクチャ研究は、エンジンと競合する人間のチェスプレーヤーと同じくらい時代遅れになるだろうと予測しています。

関連論文リスト

• The Role of Advanced Computer Architectures in Accelerating Artificial Intelligence Workloads [0.0]
  人工知能(AI)の顕著な進歩は、コンピュータアーキテクチャにおける同時革命と基礎的に結びついている。 AIモデル、特にDeep Neural Networks(DNN)が複雑化するにつれ、その膨大な計算要求により、従来のアーキテクチャは限界に達している。 本稿では、現代のAIワークロードを加速するために設計されたアーキテクチャのランドスケープを分析し、この共進化の構造化されたレビューを提供する。
  論文  参考訳（メタデータ） (2025-11-13T06:26:39Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Neural Architecture Search: Insights from 1000 Papers [50.27255667347091]
  ニューラルアーキテクチャサーチの組織的で包括的なガイドを提供する。 検索空間、アルゴリズム、スピードアップのテクニックを分類する。 ベンチマークやベストプラクティス,その他の調査,オープンソースライブラリなどのリソースについて論じる。
  論文  参考訳（メタデータ） (2023-01-20T18:47:24Z)
• Visual Analysis of Neural Architecture Spaces for Summarizing Design Principles [22.66053583920441]
  ArchExplorerは、ニューラルネットワーク空間を理解し、設計原則を要約するための視覚分析手法である。 クラスタ間のグローバルな関係と各クラスタ内のアーキテクチャの局所的近傍の両方を伝達するために,サークルパッキングに基づくアーキテクチャ視覚化が開発された。 設計原則を要約し,優れたアーキテクチャを選択する上でArchExplorerの有効性を示すために,2つのケーススタディとポストアナリシスが提示される。
  論文  参考訳（メタデータ） (2022-08-20T12:15:59Z)
• Human-Centric Artificial Intelligence Architecture for Industry 5.0 Applications [3.7890670411918252]
  本稿では、人工知能(アクティブラーニング、予測、説明可能な人工知能)、シミュレートされた現実、意思決定、ユーザのフィードバックを統合するアーキテクチャを提案する。 実世界のケーススタディの2つのユースケースで検証する。
  論文  参考訳（メタデータ） (2022-03-21T08:16:46Z)
• Evolving Search Space for Neural Architecture Search [70.71153433676024]
  最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。 我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。 遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-11-22T01:11:19Z)
• Reducing Inference Latency with Concurrent Architectures for Image Recognition [41.74149978397345]
  推論レイテンシの削減における現在のアプローチは、レイヤ内でのみ増加する。 NASの新しいスペースは、単一のチェーン依存性を緩和し、より高い並列性と分散機会を提供する。 予備的な結果は、これらの新しいアーキテクチャが推論遅延を減らし、より注意に値することを示している。
  論文  参考訳（メタデータ） (2020-11-13T19:15:02Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)
• Stage-Wise Neural Architecture Search [65.03109178056937]
  ResNetやNASNetのような現代の畳み込みネットワークは、多くのコンピュータビジョンアプリケーションで最先端の結果を得た。 これらのネットワークは、同じ解像度で表現を操作するレイヤのセットであるステージで構成されている。 各ステージにおけるレイヤー数の増加はネットワークの予測能力を向上させることが示されている。 しかし、結果として得られるアーキテクチャは、浮動小数点演算、メモリ要求、推論時間の観点から計算的に高価になる。
  論文  参考訳（メタデータ） (2020-04-23T14:16:39Z)
• Is my Neural Network Neuromorphic? Taxonomy, Recent Trends and Future Directions in Neuromorphic Engineering [2.179313476241343]
  明確なコンセンサスはありませんが、それぞれのシステムには以下の機能があります。 このようなベンチマークの基準をすべて満たす潜在的なタスクとして、脳と機械のインターフェースが示される。
  論文  参考訳（メタデータ） (2020-02-27T07:10:23Z)

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。