論文の概要: CodeJeNN: A simple C++ neural network generator for physics applications

• arxiv url: http://arxiv.org/abs/2607.02746v1
• Date: Thu, 02 Jul 2026 20:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.411527
• Title: CodeJeNN: A simple C++ neural network generator for physics applications
• Title（参考訳）: CodeJeNN:物理応用のための単純なC++ニューラルネットワークジェネレータ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.1599040452563385
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Machine learning has shown speedups for numerical methods in physics applications, but integrating Python-based libraries into high-performance C++ solvers creates performance bottlenecks. We present CodeJeNN, which bridges this gap by auto-generating self-contained C++ code from trained Keras models for inference. This eliminates external dependencies through minimal inlined functions, allowing seamless integration into existing frameworks. We describe the Keras-to-C++ workflow, supported architectures, and limitations. CodeJeNN is demonstrated through inference benchmarks against Keras in eager and JIT modes and a CFD test case modeling viscosity in a hydrogen-air mixing layer, showing speedups without sacrificing accuracy.
• Abstract（参考訳）: 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。 これにより、最小限のインライン関数による外部依存関係を排除し、既存のフレームワークへのシームレスな統合を可能にする。 Keras-to-C++ワークフロー、サポートするアーキテクチャ、制限について説明する。 CodeJeNNは、Kerasに対するエキサイティングモードとJITモードの推論ベンチマークと、水素-空気混合層におけるCFDテストケースの粘度モデリングを通じて、精度を犠牲にすることなくスピードアップを示す。

関連論文リスト

• TorchKM: A GPU-Oriented Library for Kernel Learning and Model Selection [10.963977296401582]
  TorchKMは、サポートベクターマシン、カーネルロジスティックレグレッション、カーネル量子レグレッションを含む、カーネルマシンのためのオープンソースライブラリである。 このライブラリはScikit-learnスタイルのAPIを備えており、GPUフレンドリな線形代数を利用するように設計されている。 コードとドキュメントはhttps://github.com/YikaiZhang95/torchkmで入手できる。
  論文  参考訳（メタデータ） (2026-06-04T21:56:21Z)
• AutoVecCoder: Teaching LLMs to Generate Explicitly Vectorized Code [69.84692701646769]
  AutoVecCoderは、大規模言語モデルに自動明示的ベクトル化機能を持たせるために設計された新しいフレームワークである。 自動データ合成パイプラインであるVecPromptは、ドメイン固有の固有の知識を注入する。 強化学習フレームワークであるVecRLは、コード生成と実行効率を一致させる。 このフレームワークでトレーニングされたAutoVecCoder-8Bは、SimdBenchのSSEおよびAVXサブセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-18T07:33:15Z)
• Python Bindings for a Large C++ Robotics Library: The Case of OMPL [12.900006436558405]
  Pythonバインディングは、高性能なC++ライブラリとPythonの柔軟性の間の重要な橋渡しである。 大きなものへのバインディングを生成するのは 面倒なプロセスです 少数のメンテナに 重荷を負わせます 本研究では,Large Language Models (LLMs) を用いてナノボンドラッパーの生成を支援する。
  論文  参考訳（メタデータ） (2026-03-04T23:18:10Z)
• No Saved Kaleidosope: an 100% Jitted Neural Network Coding Language with Pythonic Syntax [0.8408735228878615]
  我々は,C++,LLVM,Cudaを用いてニューラルネットワークを学習するためのjittedコンパイラを開発した。 オブジェクト指向の特徴、強い型付け、データ前処理のための並列ワーカー、式のためのピソニック構文、PyTorchのようなモデル宣言、自動微分などが特徴である。
  論文  参考訳（メタデータ） (2024-09-17T23:15:39Z)
• CUAOA: A Novel CUDA-Accelerated Simulation Framework for the QAOA [3.757262277494307]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、最適化問題の近似解を見つけるために設計された顕著な量子アルゴリズムである。 既存の最先端のシミュレーションフレームワークは、長い実行時間や包括的な機能が欠如している。 ランタイム・ザ・アート・ツールキットを用いたGPUアクセラレーションQAOAシミュレーションフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-07-17T21:06:18Z)
• Extending Python for Quantum-Classical Computing via Quantum Just-in-Time Compilation [78.8942067357231]
  Pythonは、その柔軟性、ユーザビリティ、可読性、開発者の生産性を重視することで有名な人気のあるプログラミング言語です。 量子ジャスト・イン・タイム・コンパイルのための堅牢なC++インフラストラクチャを通じて、異種量子古典計算を可能にするPythonの言語拡張を提案する。
  論文  参考訳（メタデータ） (2021-05-10T21:11:21Z)
• Self Normalizing Flows [65.73510214694987]
  本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。 これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。 実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
  論文  参考訳（メタデータ） (2020-11-14T09:51:51Z)
• Extending C++ for Heterogeneous Quantum-Classical Computing [56.782064931823015]
  qcorはC++とコンパイラの実装の言語拡張で、異種量子古典プログラミング、コンパイル、単一ソースコンテキストでの実行を可能にする。 我々の研究は、量子言語で高レベルな量子カーネル(関数)を表現できる、第一種C++コンパイラを提供する。
  論文  参考訳（メタデータ） (2020-10-08T12:49:07Z)
• PolyDL: Polyhedral Optimizations for Creation of High Performance DL primitives [55.79741270235602]
  本稿では,Deep Learningプリミティブの高性能実装を自動的に生成するコンパイラアルゴリズムを提案する。 我々は多面体モデルを用いた新しいデータ再利用分析アルゴリズムを開発した。 また、このようなハイブリッドコンパイラとライブラリ使用の最小限のアプローチが、最先端のパフォーマンスをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-06-02T06:44:09Z)
• MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical Models [96.1052289276254]
  この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。 驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
  論文  参考訳（メタデータ） (2020-04-16T16:20:53Z)

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。