論文の概要: MLSYSIM: First-Principles Infrastructure Modeling for Machine Learning Systems

• arxiv url: http://arxiv.org/abs/2607.02558v1
• Date: Sun, 28 Jun 2026 02:30:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.320128
• Title: MLSYSIM: First-Principles Infrastructure Modeling for Machine Learning Systems
• Title（参考訳）: MLSYSIM:機械学習システムのための第一原理インフラストラクチャモデリング
• Abstract要約: MLSysimは「システムの物理」を次元的に制限されたPythonエンジンに形式化する最初の分析フレームワークである。 すべての入力は、型付き、証明追跡されたレジストリから引き出されるため、文書化されたソースなしで解析に入る数字は存在しない。 このエンジンでは、28個の構成可能なモデルと解法によって解決された22個の「システム壁」の分類を符号化し、サブ秒以下の設計空間探索を可能にする。
• 参考スコア（独自算出の注目度）: 7.557409593010283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As machine learning shifts from laboratory curiosity to critical infrastructure, the systems that sustain it span an extraordinary range, from sub-milliwatt microcontrollers to multi-gigawatt datacenter fleets. Reasoning across this range is hard: empirical profiling requires the target hardware in hand, while cycle-accurate simulation costs hours per configuration, leaving no tool for rapid, full-stack architectural reasoning. We present MLSYSIM (Machine Learning Systems Infrastructure Modeling), a first-principles analytical framework that formalizes the "physics of systems" into a dimensionally-strict Python engine. MLSysim is built on a demand-supply abstraction that decouples computational demand from silicon supply and environmental context, and it enforces unit integrity at runtime so the silent conversion errors that plague ad-hoc modeling cannot occur. Every input is drawn from a typed, provenance-tracked registry, so no number enters an analysis without a documented source. On this engine we codify a taxonomy of 22 "Systems Walls" resolved by 28 composable models and solvers, enabling sub-second design-space exploration that identifies binding constraints and synthesizes ideal hardware specifications across the entire ML systems lifecycle.
• Abstract（参考訳）: 機械学習が実験室の好奇心から重要なインフラへとシフトするにつれ、それを維持できるシステムは、ミリワット以下のマイクロコントローラから、マルチギガワットのデータセンターまで、非常に幅広い範囲にまたがる。 実験的なプロファイリングは対象のハードウェアを手動で行う必要があり、サイクル精度のシミュレーションは構成毎に数時間かかるため、高速でフルスタックなアーキテクチャ推論のためのツールは残っていない。 MLSYSIM(Machine Learning Systems Infrastructure Modeling)は「システムの物理」を次元的に制限されたPythonエンジンに形式化する第一原理解析フレームワークである。 MLSysimは、シリコン供給と環境コンテキストから計算要求を分離する需要供給抽象化に基づいて構築されており、実行時に単位整合性を適用し、アドホックなモデリングを悩ませるサイレント変換エラーは発生しない。 すべての入力は、型付き、証明追跡されたレジストリから引き出されるため、文書化されたソースなしで解析に入る数字は存在しない。 このエンジンでは、28の構成可能なモデルとソルバによって解決された22の"システム壁"の分類をコーデレートし、バインディングの制約を特定し、MLシステムライフサイクル全体にわたって理想的なハードウェア仕様を合成するサブ秒の設計空間探索を可能にする。

関連論文リスト

• IR-SIM: A Lightweight Skill-Native Simulator for Navigation, Learning, and Benchmarking [59.6657632820611]
  IR-SIMは、迅速なシナリオ構築、ベンチマーク、ロボット学習のために設計された、スキルネイティブなナビゲーションシミュレータである。 シナリオは、モバイルロボットキネマティクス、幾何学的衝突チェック、LiDARセンシング、可視化、行動モジュールを指定するYAML設定ファイルで完全に定義されている。 実験では、複数のタスクにおいてIR-SIMの利便性と汎用性を示す。
  論文  参考訳（メタデータ） (2026-06-07T16:55:37Z)
• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• Operationalization of Machine Learning with Serverless Architecture: An Industrial Operationalization of Machine Learning with Serverless Architecture: An Industrial Implementation for Harmonized System Code Prediction [0.0]
  本稿では、データ取り込み、トレーニング、デプロイメント、監視、再トレーニングからイベント駆動パイプラインとマネージドサービスまで、完全なMLライフサイクルをオーケストレーションするサーバレスMLOpsフレームワークを提案する。 本研究では,グローバル取引において税関当局が使用する標準化コードに,短い非構造化製品記述をマッピングするコンプライアンスクリティカルなタスクである,調和システム(HS)コード予測の産業的実装を通じて,実践的適用性を実証する。 私たちのソリューションは、複数のディープラーニングアーキテクチャを埋め込んだカスタムテキストを使用します。
  論文  参考訳（メタデータ） (2026-02-19T05:59:55Z)
• ALL-FEM: Agentic Large Language models Fine-tuned for Finite Element Methods [5.727939029920846]
  ALL-FEMは、エージェントAIとドメイン固有で微調整されたLLMを統合した、FEniCSコード生成のための自律シミュレーションシステムである。 我々は、キュレートされたエキスパートコードと検索拡張マルチLLMパイプラインを組み合わせることで、1000以上の検証済みFEniCSスクリプトのコーパスを構築する。 我々のエージェントフレームワークは、微調整LDMを用いた特殊エージェントを編成し、問題をPDEとして定式化し、コードを生成し、結果を視覚化する。
  論文  参考訳（メタデータ） (2026-01-08T21:25:59Z)
• SysMoBench: Evaluating AI on Formally Modeling Complex Real-World Systems [12.181911851729614]
  我々は、AIが大規模で複雑なシステムを正式にモデル化する能力を評価するベンチマークであるSysMoBenchを紹介する。 私たちは、今日の重要なコンピューティングインフラストラクチャのキーストーンである、並列および分散システムに重点を置いています。
  論文  参考訳（メタデータ） (2025-09-27T05:24:54Z)
• Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning [0.15469999759898032]
  PLAIDは物理シミュレーションのデータセットを表現および共有するためのフレームワークである。 PLAIDはシミュレーションデータを記述するための統一標準を定義する。 PLAID標準の下で,構造力学と計算流体力学を網羅した6つのデータセットをリリースする。
  論文  参考訳（メタデータ） (2025-05-05T18:59:17Z)
• Specifications: The missing link to making the development of LLM systems an engineering discipline [65.10077876035417]
  我々は、構造化出力、プロセスの監督、テストタイム計算など、これまでの分野の進歩について論じる。 モジュール型かつ信頼性の高いLCMシステムの開発に向けた研究の今後の方向性について概説する。
  論文  参考訳（メタデータ） (2024-11-25T07:48:31Z)
• Machine Learning-based Positioning using Multivariate Time Series Classification for Factory Environments [0.0]
  最先端のソリューションは外部インフラストラクチャに大きく依存しており、潜在的なプライバシー侵害にさらされている。 機械学習(ML)の最近の進歩は、IoTデバイスのオンボードセンサーのデータのみに依存する、これらの制限に対処するソリューションを提供する。 本稿では,移動体をプライバシ関連工場環境に局在させるため,モーションセンサと環境センサを用いた機械学習による屋内位置決めシステムを提案する。
  論文  参考訳（メタデータ） (2023-08-22T10:07:19Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Integrated Benchmarking and Design for Reproducible and Accessible Evaluation of Robotic Agents [61.36681529571202]
  本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。 このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。 本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
  論文  参考訳（メタデータ） (2020-09-09T15:31:29Z)

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。