論文の概要: Mojo: A Promising Tool for Scalable Financial AI Efficiency
- arxiv url: http://arxiv.org/abs/2606.16059v1
- Date: Sun, 14 Jun 2026 23:18:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.011051
- Title: Mojo: A Promising Tool for Scalable Financial AI Efficiency
- Title（参考訳）: Mojo: スケーラブルな金融AI効率のためのプロトタイプツール
- Abstract要約: この記事では、資本市場エンジニアリングに対する構造的応答として、Modularの2026 Pythonのようなシステム言語であるMojoを調査します。
Mojoはネイティブな相互運用性と、ビットエクサクティヴな決定論的カーネルを構築するために必要な低レベルのシステム制御を組み合わせる。
モンテカルロオプションの価格設定、LCMの感情推論、マルチアセットのバックテスト、リスクのポートフォリオの4つの中核的な金融AIワークロードをベンチマークします。
- 参考スコア（独自算出の注目度）: 3.731168012111834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For thirty years, quantitative finance has paid a costly two-language tax: models researched in Python are rewritten in C++ for production, often introducing numerical discrepancies. GPU-accelerated deep learning exacerbates this problem, as nondeterministic floating-point reductions can produce drift in long backtests, challenging regulatory reproducibility and auditability expectations. This article surveys Mojo, Modular's 2026 Python-like systems language, as a structural response for capital markets engineering. While closing the Python-to-C++ performance gap, Mojo uniquely combines native interoperability with the low-level systems control required to construct bit-exact deterministic kernels. Its MLIR compilation infrastructure further allows a single codebase to target scalar, SIMD, multicore, and GPU execution, reducing the translation bottleneck between research and production. We benchmark four core financial AI workloads: Monte Carlo option pricing, LLM sentiment inference, multi-asset backtesting, and portfolio Value at Risk. On Apple Silicon, Mojo demonstrates 20x to 180x speedups over pure Python on directly measured kernels; larger-scale GPU workload results are projections calibrated from published benchmarks. Alongside transparent performance data, we introduce mojo-deterministic, an open-source library of reproducible reduction kernels, and provide a candid assessment of the problems Mojo does and does not yet solve.
- Abstract（参考訳）: Pythonで研究されているモデルは、プロダクションのためにC++で書き直され、多くの場合、数値的な相違が生じます。
GPUによる高速化されたディープラーニングは、非決定論的浮動小数点減少が長いバックテストでドリフトを発生させ、規制の再現性と監査可能性の期待に挑戦するため、この問題を悪化させる。
この記事では、資本市場エンジニアリングに対する構造的応答として、Modularの2026 Pythonのようなシステム言語であるMojoを調査します。
Python-to-C++のパフォーマンスギャップを埋める一方で、Mojoはネイティブインターオペラビリティと、ビット完全決定性カーネルを構築するために必要な低レベルのシステム制御を独自に組み合わせている。
MLIRコンパイルインフラストラクチャにより、単一のコードベースでスカラー、SIMD、マルチコア、GPU実行をターゲットとすることで、研究と運用の間の変換ボトルネックを低減することができる。
モンテカルロオプションの価格設定、LCMの感情推論、マルチアセットのバックテスト、リスクのポートフォリオの4つの中核的な金融AIワークロードをベンチマークします。
Apple Siliconでは、Mojoが直接測定されたカーネル上で、純粋なPythonよりも20倍から180倍のスピードアップをデモしている。
透過的な性能データに加えて,再現可能なリダクションカーネルのオープンソースライブラリであるMojo-Deterministicを導入し,Mojoが抱える問題に対する率直な評価を行った。
関連論文リスト
- CodeJeNN: A simple C++ neural network generator for physics applications [1.1599040452563385]
機械学習は物理アプリケーションにおける数値的手法の高速化を示すが、Pythonベースのライブラリを高性能なC++ソルバに組み込むことでパフォーマンスのボトルネックが生じる。
このギャップを埋めるために、トレーニング済みのKerasモデルから自己完結型C++コードを自動的に生成するCodeJeNNを提案する。
論文 参考訳（メタデータ） (2026-07-02T20:30:40Z) - VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents [42.56489784841984]
実装の変更が生成され、エージェントが提案する差分として適用される。
アーキテクチャを説明し、システムの生成と検証に使用するワークフローを要約し、アーティファクトを評価する。
論文 参考訳（メタデータ） (2026-01-21T19:29:00Z) - Counting Without Running: Evaluating LLMs' Reasoning About Code Complexity [2.7389338551082605]
性能ボトルネックを予測するため,LLM(Large Language Models)のベンチマークを開発した。
FLOPBenchは577カーネルの単精度と倍精度のFLOP数を予測する。
われわれはFLOPBenchをLLMツールの開発に焦点をあてたテストベッドとして位置づけた。
論文 参考訳（メタデータ） (2025-12-04T01:03:20Z) - SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。
従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
論文 参考訳（メタデータ） (2025-05-29T18:28:02Z) - MICE for CATs: Model-Internal Confidence Estimation for Calibrating Agents with Tools [54.63478102768333]
十分に校正されたモデル信頼度は、潜在的な行動の報酬に対するリスクを測るために使用することができる。
本稿では,ツール呼び出し時の信頼度を評価するために,モデル内信頼度推定器(MICE)の新たなクラスを提案する。
論文 参考訳（メタデータ） (2025-04-28T18:06:38Z) - KernelBench: Can LLMs Write Efficient GPU Kernels? [36.4117525096377]
KernelBenchは、高速で正確なカーネルを記述する言語モデルの能力を評価するためのオープンソースのフレームワークである。
本稿では,関数的に正しい生成カーネルの割合を計測する,新しい評価基準であるfast_pを紹介する。
実験の結果,フロンティア推論モデルが最も優れているが,全体としては不足していることがわかった。
論文 参考訳（メタデータ） (2025-02-14T19:30:53Z) - KGym: A Platform and Dataset to Benchmark Large Language Models on Linux Kernel Crash Resolution [59.20933707301566]
大規模言語モデル(LLM)は、ますます現実的なソフトウェア工学(SE)タスクにおいて一貫して改善されている。
現実世界のソフトウェアスタックでは、Linuxカーネルのような基本的なシステムソフトウェアの開発にSEの取り組みが費やされています。
このような大規模システムレベルのソフトウェアを開発する際にMLモデルが有用かどうかを評価するため、kGymとkBenchを紹介する。
論文 参考訳（メタデータ） (2024-07-02T21:44:22Z) - Evaluation of OpenAI Codex for HPC Parallel Programming Models Kernel
Generation [1.7646846505225735]
高性能コンピューティングにおける基本数値カーネル上でのAI支援生成能力の評価を行った。
生成したカーネルコードを様々な言語対応プログラミングモデルでテストする。
本稿では,各プロンプトに対して与えられた10のプロンプトに関する習熟度尺度を提案する。
論文 参考訳（メタデータ） (2023-06-27T00:11:31Z) - Latte: Cross-framework Python Package for Evaluation of Latent-Based
Generative Models [65.51757376525798]
Latteは、潜伏型生成モデルを評価するためのPythonライブラリである。
LatteはPyTorchと/Kerasの両方と互換性があり、関数型APIとモジュール型APIの両方を提供する。
論文 参考訳（メタデータ） (2021-12-20T16:00:28Z) - Measuring Coding Challenge Competence With APPS [54.22600767666257]
コード生成のベンチマークであるAPPSを紹介する。
私たちのベンチマークには1万の問題が含まれています。
GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
論文 参考訳（メタデータ） (2021-05-20T17:58:42Z) - Hybrid Models for Learning to Branch [81.93868699246214]
我々はCPUマシン上で効率的な分岐を行うための新しいハイブリッドアーキテクチャを提案する。
提案アーキテクチャは,GNNの表現力と分岐処理のための計算コストの低い多層パーセプトロン(MLP)を組み合わせる。
論文 参考訳（メタデータ） (2020-06-26T21:03:45Z)
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。