論文の概要: Beyond the Need for Speed: Energy-Aware Code Generation via Simulation-Guided Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2607.04577v1
- Date: Mon, 06 Jul 2026 01:04:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.983462
- Title: Beyond the Need for Speed: Energy-Aware Code Generation via Simulation-Guided Reinforcement Learning
- Title（参考訳）: スピードを超越した:シミュレーションによる強化学習によるエネルギー認識コード生成
- Authors: Saurabhsingh Rajput, Tushar Sharma,
- Abstract要約: Green Teaは、1,474ドルのC++問題に対する350万ドルの評価コーパスだ。
エネルギーコントラストペアの教師付き微調整と閉ループ強化学習により,エネルギー認識型コードモデルを訓練する。
ホールドアウト問題143ドルでは、ループ内シミュレーションパイプラインは12.63%のCARETを達成した。
- 参考スコア（独自算出の注目度）: 2.3228733137875524
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Code models strictly prioritize functional correctness, leaving software energy efficiency as an unoptimized byproduct. Training models to generate energy-efficient code requires reproducible feedback at scale, which physical hardware measurement cannot reliably provide due to variance. In this paper, we replace hardware profiling with a deterministic architectural simulation harness to build Green Tea, a corpus of $3.5$ million evaluations across $1{,}474$ C++ problems. We train an energy-aware code model via supervised fine-tuning on energy-contrastive pairs, followed by closed-loop reinforcement learning (GRPO) using simulation-in-the-loop feedback. To rigorously evaluate deployment readiness, we introduce the Correctness-Adjusted Reduction in Energy Total (CARET), a metric that explicitly penalizes code that sacrifices functionality for efficiency. On $143$ held-out problems, our simulation-in-the-loop pipeline achieves $12.63\%$ CARET, nearly tripling the gain of fine-tuning alone, and successfully beats the energy efficiency of human-expert references on $58.4\%$ of its valid outputs. Furthermore, our analysis exposes the IPC trap: standard throughput proxies like Instructions-Per-Cycle (IPC) actively misrank true energy efficiency on $67.8\%$ of problems, proving the absolute necessity of direct energy simulation. By releasing our dataset and infrastructure, we bypass the $263{,}000$ CPU-hours required for reproduction, structurally empowering the community to deploy inherently energy-efficient code generation models.
- Abstract（参考訳）: コードモデルは機能的正しさを厳密に優先順位付けし、ソフトウェアエネルギー効率を最適化されていない副産物として残す。
エネルギー効率のよいコードを生成するためのトレーニングモデルは、大規模に再現可能なフィードバックを必要とする。
本稿では,ハードウェア・プロファイリングを決定論的アーキテクチャ・シミュレーション・ハーネスに置き換え,1,474ドルのC++問題に対する350万ドルの評価コーパスであるGreen Teaを構築する。
我々は,エネルギーコントラストペアの教師付き微調整と,シミュレーション・イン・ザ・ループフィードバックを用いた閉ループ強化学習(GRPO)により,エネルギー認識型コードモデルを訓練する。
展開準備度を厳格に評価するために,効率性のために機能を犠牲にするコードを明示的に罰する基準であるCARET(Correctness-Adjusted Reduction in Energy Total)を導入する。
ホールドアウト問題として、我々のシミュレーション・イン・ザ・ループパイプラインは、12.63 %のCARETを達成し、微調整単独での利得をほぼ3倍にし、有効な出力の58.4 %で人間の専門的基準のエネルギー効率を上回りました。
Instructions-Per-Cycle (IPC) のような標準的なスループットプロキシは、真のエネルギー効率を67.8 %の価格で誤用し、直接エネルギーシミュレーションの絶対的な必要性を証明している。
データセットとインフラストラクチャをリリースすることによって、再生に必要なCPU時間263ドル、000ドルをバイパスし、本質的にエネルギー効率のよいコード生成モデルをコミュニティに展開するように構造的に権限を与えました。
関連論文リスト
- Energy Flow Graph: Modeling Software Energy Consumption [2.3228733137875524]
エネルギーフローグラフ(Energy Flow Graph, EFG)は、計算過程を状態遷移系として表わす形式モデルである。
EFGは、エネルギー最適実行パスの静的解析を含む、ソフトウェア工学における様々なアプリケーションを可能にする。
AIパイプラインでは、カスケードモデルは5.1%の誤差で最適化の組み合わせを予測する。
論文 参考訳（メタデータ） (2026-03-17T21:47:10Z) - SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。
SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。
各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
論文 参考訳（メタデータ） (2026-03-11T05:00:48Z) - An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code [46.879983975894135]
本研究の目的は, LLM がエネルギー効率の良いコード生成にどう最適化できるか, 検討することである。
CPTはContrastive Learningテクニックを組み合わせることで、モデルが効率的かつ非効率なコードを区別するのに役立つ。
本研究では,Python,Java,C++の3つのモデルにまたがるコーディング問題のCPTを評価し,包括的評価を行う。
論文 参考訳（メタデータ） (2026-03-03T12:36:15Z) - CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。
既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。
機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
論文 参考訳（メタデータ） (2026-01-30T10:33:29Z) - SOFT: a high-performance simulator for universal fault-tolerant quantum circuits [5.744501987992456]
SOFTは、普遍的なフォールトトレラント量子回路のための高性能なSimulatOrである。
本研究は,フォールトトレラントアーキテクチャ設計における信頼性のあるシミュレーションツールの重要性を実証するものである。
論文 参考訳（メタデータ） (2025-12-28T18:28:56Z) - Approximate Model Predictive Control for Microgrid Energy Management via Imitation Learning [9.044455355747482]
本稿では,マイクログリッドエネルギー管理のための混合整数型経済モデル予測制御(EMPC)の模倣学習に基づくフレームワークを提案する。
提案手法は、ニューラルネットワークを用いて、オフライン軌道からのエキスパートEMPC制御動作を模倣し、最適化問題をオンラインで解決することなく、高速でリアルタイムな意思決定を可能にする。
論文 参考訳（メタデータ） (2025-10-22T21:39:18Z) - Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。
この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。
45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
論文 参考訳（メタデータ） (2025-07-21T18:15:12Z) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。
共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
論文 参考訳（メタデータ） (2022-10-24T18:39:44Z) - Efficient pre-training objectives for Transformers [84.64393460397471]
本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。
マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
論文 参考訳（メタデータ） (2021-04-20T00:09:37Z)
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。