Fugu-MT 論文翻訳(概要): \chisao{}: A GPU-Native Parallel Optimizer for Multimodal Black-Box Functions via Convergence-Anticonvergence Oscillation

論文の概要: \chisao{}: A GPU-Native Parallel Optimizer for Multimodal Black-Box Functions via Convergence-Anticonvergence Oscillation

arxiv url: http://arxiv.org/abs/2606.26164v1
Date: Wed, 24 Jun 2026 06:33:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.018039
Title: \chisao{}: A GPU-Native Parallel Optimizer for Multimodal Black-Box Functions via Convergence-Anticonvergence Oscillation
Title（参考訳）: \chisao{}: Convergence-Anticonvergence Oscillationによるマルチモーダルブラックボックス関数に対するGPU-Native Parallel Optimizer
Abstract要約: Chisaoはサンプルバッチ全体を同時に実行し、意図的な収束対収束サイクルを活用する。 Chisaoは textbf100% モードのリカバリを実現しており、CPUベースラインはすべて$d geq 8$で崩壊する。このアルゴリズムは、PyPI上のスタンドアロンのPythonパッケージとして利用できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Finding all modes of a multimodal black-box function is a fundamental challenge in optimization, Bayesian inference, and scientific computing. Existing approaches -- basin-hopping, CMA-ES, multistart gradient descent -- operate sequentially and cannot exploit the massive parallelism of modern GPU hardware. We introduce \chisao{} (\textbf{C}onvergence-\textbf{H}alt-\textbf{I}nvert-\textbf{S}tick-\textbf{A}nd-\textbf{O}scillate), a GPU-native population optimizer that runs an entire sample batch simultaneously and exploits a deliberate convergence-anticonvergence oscillation cycle to escape local traps while freezing confirmed modes. The structural move is asymmetric: samples that reach true peaks are frozen (``stuck'') and preserved, while the rest keep exploring via momentum-based anti-convergence and stochastically smoothed gradients. Adaptive reseeding via two complementary strategies (Repulse Monkey and Golden Rooster) maintains population diversity throughout. On all 42 functions of the Simon Fraser University optimization benchmark suite across dimensions $d \in \{2, 4, 8, 16, 32, 64\}$, \chisao{} achieves \textbf{100\%} mode recovery where all CPU baselines collapse at $d \geq 8$ on the hardest multimodal functions, at up to \textbf{$34\times$} speedup over basin-hopping on functions where all methods succeed (Michalewicz $d=64$) and up to \textbf{$39\times$} on unimodal functions (Rotated Hyper-Ellipsoid $d=64$, pure GPU dividend). All benchmarks evaluate the objective by value alone -- gradients come from finite differences -- so the reported speedups are a derivative-free worst case. Under substantial likelihood noise ($σ_{\mathrm{noise}}$ up to 1.0), mode detection remains 100\% reliable. The algorithm is available as a standalone open-source Python package on PyPI.
Abstract（参考訳）: マルチモーダルブラックボックス関数のすべてのモードを見つけることは、最適化、ベイズ推論、科学計算における根本的な課題である。既存のアプローチ – 盆地ホッピング,CMA-ES,マルチスタート勾配降下 – は順次動作し,現代的なGPUハードウェアの大規模な並列性を活用できない。サンプルバッチ全体を同時に実行するGPUネイティブな集団オプティマイザである\chisao{} (\textbf{C}onvergence-\textbf{H}alt-\textbf{I}nvert-\textbf{S}tick-\textbf{A}nd-\textbf{O}scillate)を導入し、確認モードを凍結しながら、意図的に収束反収束振動サイクルを利用してローカルトラップから逃れる。構造的な移動は非対称であり、真のピークに達するサンプルは凍って保存され、残りは運動量に基づく反収束と確率論的に滑らかな勾配を通して探索される。 Repulse MonkeyとGolden Roosterの2つの補完戦略による適応的な再観光は、全人口の多様性を維持している。サイモンフレーザー大学の最適化ベンチマークスイートの42の関数すべてに対して、$d \in \{2, 4, 8, 16, 32, 64\}$, \chisao{} は \textbf{100\%} モードのリカバリを達成し、すべてのCPUベースラインが$d \geq 8$ のハードなマルチモーダル関数上で、最大で \textbf{$34\times$} まで、すべてのメソッドが成功する関数上での盆地ホッピングのスピードアップ(Michalewicz $d=64$)、そして、unimodal関数上での \textbf{$39\times$} が達成される(Rotated Hyper-Ellipsoid $d=64$, pure GPU dividend)。すべてのベンチマークは、値だけで目的を評価する -- 勾配は有限差によるもの -- なので、報告されたスピードアップはデリバティブフリーの最悪のケースである。かなり確実なノイズ(σ_{\mathrm{noise}}$ up to 1.0)の下では、モード検出は100%信頼性が保たれている。このアルゴリズムは、PyPI上のスタンドアロンのPythonパッケージとして利用できる。

論文の概要: \chisao{}: A GPU-Native Parallel Optimizer for Multimodal Black-Box Functions via Convergence-Anticonvergence Oscillation

関連論文リスト