論文の概要: jNO: A JAX Library for Neural Operator and Foundation Model Training
- arxiv url: http://arxiv.org/abs/2605.10159v1
- Date: Mon, 11 May 2026 08:05:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 02:24:05.551178
- Title: jNO: A JAX Library for Neural Operator and Foundation Model Training
- Title（参考訳）: jNO: ニューラルネットワークと基礎モデルトレーニングのためのJAXライブラリ
- Authors: Leon Armbruster, Rathan Ramesh, Georg Kruse, Christopher Straub,
- Abstract要約: jNOは、ニューラル演算子とファンデーションモデルのためのJAXネイティブライブラリである。
データ駆動トレーニングと物理インフォームトレーニングの両方をサポートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: jNO (jax Neural Operators) is a JAX-native library for neural operators and foundation models with unified support for both data-driven and physics-informed training. Its core design is a tracing system in which domains, model calls, residuals, supervised losses, and diagnostics are written in one symbolic language and compiled into one optimization pipeline. This allows users to move between operator regression, mesh-aware residual evaluation, and PDE-constrained training without restructuring the surrounding code. jNO also supports multi-model compositions, fine-grained control at parameter level (model, optimizer, and learning rate), hyperparameter tuning, and JAX-native workflows for translated PDE foundation-model families. The source repository is available at https://github.com/FhG-IISB/jNO.
- Abstract（参考訳）: jNO(jax Neural Operators)は、ニューラルネットワークと基礎モデルのためのJAXネイティブライブラリで、データ駆動と物理インフォームドトレーニングの両方をサポートする。
その中核となる設計は、ドメイン、モデルコール、残留物、監督された損失、診断を1つのシンボル言語で記述し、1つの最適化パイプラインにコンパイルするトレースシステムである。
これにより、ユーザは、周辺のコードを再構築することなく、オペレータの回帰、メッシュ対応の残留評価、PDE制約付きトレーニングの間を移動することができる。
jNOはマルチモデル構成、パラメータレベルでのきめ細かい制御(モデル、オプティマイザ、学習率)、ハイパーパラメータチューニング、PDEファンデーションモデルファミリを翻訳するためのJAXネイティブワークフローもサポートしています。
ソースリポジトリはhttps://github.com/FhG-IISB/jNO.comから入手できる。
関連論文リスト
- DiRL: An Efficient Post-Training Framework for Diffusion Language Models [54.405206032785706]
Diffusion Language Models (dLLMs) はAuto-Regressive(AR)モデルに代わる有望な代替品として登場した。
既存の手法は、訓練と推論の間の計算の非効率性と客観的なミスマッチに悩まされている。
我々は,FlexAttention-accelerated blockwise trainingとLMDeploy-timized inferenceを密接に統合した,効率的なポストトレーニングフレームワークであるDiRLを紹介した。
論文 参考訳（メタデータ） (2025-12-23T08:33:19Z) - Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。
NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。
我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
論文 参考訳（メタデータ） (2025-09-22T15:13:14Z) - SynthCoder: A Synthetical Strategy to Tune LLMs for Code Completion [7.668823606571788]
コード補完は、ソフトウェア工学における大規模言語モデル(LLM)の顕著な応用である。
本稿では,Fill-in-the-Middle(FIM)コード補完タスクにおける最先端技術を実現するために,業界をリードするプラクティスを統合するモデルであるSynthCoderを提案する。
論文 参考訳（メタデータ） (2025-08-21T12:23:49Z) - A projection-based framework for gradient-free and parallel learning [50.96641619247761]
私たちはこのパラダイムを実現するJAXベースのソフトウェアフレームワークであるPJAXを紹介します。
PJAXは基本演算に対する射影演算子を構成し、実現可能性問題に対する解演算子を自動的に導出する。
各種アーキテクチャ(MLP、CNN、RNN)を標準ベンチマークでPJAXを用いてトレーニングし、その汎用性を実証する。
論文 参考訳（メタデータ） (2025-06-06T08:44:56Z) - DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training [87.90342423839876]
我々は,PDEデータに対するより安定的で効率的な事前学習を可能にする,自己回帰型事前学習戦略を提案する。
我々は,100k以上の軌道を持つ10以上のPDEデータセットに対して,最大0.5BパラメータでPDEファンデーションモデルをトレーニングする。
論文 参考訳（メタデータ） (2024-03-06T08:38:34Z) - Unsupervised Paraphrasing with Pretrained Language Models [85.03373221588707]
教師なし環境で,事前学習した言語モデルを用いて高品質なパラフレーズを生成する訓練パイプラインを提案する。
提案手法は,タスク適応,自己スーパービジョン,動的ブロッキング(Dynamic Blocking)という新しい復号アルゴリズムから構成される。
提案手法は,Quora Question PairとParaNMTの両方のデータセット上で,最先端の性能を達成できることを示す。
論文 参考訳（メタデータ） (2020-10-24T11:55:28Z) - Conditional Neural Architecture Search [5.466990830092397]
これは、よく訓練されたMLモデルがエッジプラットフォームをデプロイする制約に適合しない場合が多い。
本稿では,異なるプラットフォームで実現可能なMLモデルを生成するGANを用いた条件付きニューラルネットワーク探索手法を提案する。
論文 参考訳（メタデータ） (2020-06-06T20:39:33Z)
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。