論文の概要: A Symbolic Neural CPU for Quantization-Simulated Writeback and Interpretable Program Execution

• arxiv url: http://arxiv.org/abs/2607.10021v1
• Date: Fri, 10 Jul 2026 22:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.277849
• Title: A Symbolic Neural CPU for Quantization-Simulated Writeback and Interpretable Program Execution
• Title（参考訳）: 量子化シミュレーションによる書き込みと解釈可能なプログラム実行のためのシンボリック・ニューラルCPU
• Authors: Jose Luis Lima de Jesus Silva,
• Abstract要約: 本稿では、リカレント制御、明示的な演算ルータ、軌道監視を組み合わせたトレース制御型シンボリック・ニューラルCPUを提案する。 このモデルは選択した操作、ソースレジスタと宛先レジスタ、レジスタトラジェクトリ、メモリ信号、書き込みセマンティクスを公開する。 これらの結果は、解釈可能で、低精度で制御可能なニューラル実行のための、トレース検証可能なフレームワークを確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks can learn algorithmic input-output mappings, but trusting a learned executor requires more than a correct final answer because the state transitions that produce it are usually hidden. To make those transitions visible, we introduce a trace-supervised symbolic neural CPU, a factorized learned execution architecture that combines recurrent control, an explicit operation router over a fixed differentiable arithmetic-logic unit bank, destination-masked register writeback, complete trajectory supervision and matched fixed-point replay. The model exposes the selected operation, source and destination registers, register trajectory, memory signals and writeback semantics at every step. On the principal 16-wide benchmark, the non-quantized executor reproduces reference execution exactly, while the eight-bit quantization-simulated executor preserves the symbolic operation path through programs of 1,000 instructions. When the same execution is evaluated against a matched fixed-point replay, the residual numerical drift disappears, showing that it comes from a mismatch between continuous and low-precision reference semantics rather than from execution failure. We compare recurrent, Transformer, temporal-convolution, temporal graph-inspired and state-space controllers, and the ablations show that operation-gate supervision is necessary for an inspectable execution path. Hidden-opcode memory-pressure tasks expose the remaining limits in delayed state use and temporal binding. We also extend the interface with ValueMemory, hybrid adaptive leaky integrate-and-fire controllers, candidate-constrained symbolic control trained through behaviour cloning and actor-critic reinforcement learning, and an RV32I base-integer semantic bridge. Together, these results establish a trace-verifiable framework for interpretable, low-precision and controllable neural execution.
• Abstract（参考訳）: ニューラルネットワークはアルゴリズムによるインプット・アウトプットマッピングを学習することができるが、学習したエグゼキュータを信頼するには、それを生成する状態遷移は通常隠れているため、正しい最終回答以上のものが必要である。 これらの遷移を可視化するために、トレーサライズされたシンボリック・ニューラルCPU、リカレント制御を組み合わせた分解学習実行アーキテクチャ、固定微分可能な算術論理単位バンク上の明示的な演算ルータ、宛先対応レジスタの書き込み、完全な軌道制御、一致した固定点再生を導入する。 モデルでは、選択した操作、ソースレジスタと宛先レジスタ、レジスタトラジェクトリ、メモリ信号、ライトバックセマンティクスを各ステップで公開する。 主16幅のベンチマークでは、非量子化エグゼキュータは参照実行を正確に再現し、8ビット量子化シミュレートエグゼキュータは1000命令のプログラムを通してシンボル操作パスを保存する。 同じ実行が一致した固定点リプレイに対して評価されると、残差の数値ドリフトは消失し、実行失敗ではなく、連続的な参照セマンティクスと低精度参照セマンティクスのミスマッチから生じることを示す。 我々は、繰り返し、トランスフォーマー、時間的畳み込み、時間的グラフにインスパイアされた状態空間のコントローラを比較し、検証可能な実行パスには操作ゲートの監督が必要であることを示す。 隠れたオプコードメモリ-プレッシャタスクは、遅延状態の使用と時間的バインディングの残りの制限を露呈する。 我々はまた、ValueMemoryによるインタフェースの拡張、ハイブリッド適応型インテリジェンス・アンド・ファイアコントローラ、行動クローニングとアクター・クリティカルな強化学習を通じて訓練された候補制約付きシンボル制御、RV32Iベース・整数セマンティックブリッジを拡張した。 これらの結果は、解釈可能で、低精度で制御可能なニューラル実行のための、トレース検証可能なフレームワークを確立する。

関連論文リスト

• From Open Loop to Closed Loop: A Test-Time Iterative Optimization Framework for Reference-Consistent Image Generation [108.02425846269234]
  制御可能な画像生成は、視覚的参照条件を組み込むことで、大きな進歩を遂げた。 既存の方法は、主にオープンループシステムとして動作する。 本稿では,閉ループ動的トラッキング問題として参照一貫性生成を再構成する新しいテスト時間反復最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T05:36:30Z)
• Stalls and Spequlation: Pipelined Execution for Fault Tolerant Quantum Computation [1.6724455800127804]
  現在のスケジューリングモデルは論理演算をアトミックとして扱い、これらのサブシステムが順次に動作し、かなりの時間をアイドルに費やしているという事実を隠蔽している。 本稿では,各論理演算をそのコンポーネントステージに分解するパイプライン実行フレームワークを提案する。 推測によるパイプラインのパイプライン化により,非規定ベースラインに比べてパイプライン全体のステップが20～40%削減されることを示す。
  論文  参考訳（メタデータ） (2026-06-17T20:47:45Z)
• Graph Grounded Cross Attention Transformer Neural Network for Structurally Constrained Full Event Sequence Generation in Predictive Process Monitoring [3.793186450307008]
  本稿では,グラフグラウンドド・クロスアテンション・トランスニューラルネットを提案する。 GGATNは、アクティビティ、タイムスタンプ、長さ、イベントレベル、シーケンスレベル属性を単一のパスで生成する。 6つのベンチマークイベントログの実験は、ローカル命令よりも信頼性の高い生成品質を示している。
  論文  参考訳（メタデータ） (2026-06-17T06:10:27Z)
• Latent Recurrent Transformer: Architecture Exploration, Training Strategies, and Scaling Behavior [107.2098567818173]
  Latent Recurrent Transformer (LRT) は自己回帰変換器の軽量化である。 LRTは、次のトークンのリカレントメモリとして、前のトークンから高レベルなソース層隠れステートを再利用する。
  論文  参考訳（メタデータ） (2026-05-26T10:10:26Z)
• The Path Matters: Learning a Token-Commitment Policy for Diffusion Language Models [52.93186090124315]
  トークンのコミットメントは、再利用可能なトレースステートポリシとして学ぶことができる、と私たちは主張する。 凍結拡散言語モデルのためにこのポリシーをインスタンス化する軽量プラグインコントローラであるTraceLockを紹介する。
  論文  参考訳（メタデータ） (2026-05-23T18:23:46Z)
• A Physical Agentic Loop for Language-Guided Grasping with Execution-State Monitoring [5.437966695589128]
  我々は、接地された実行状態上で動作する有界な実施エージェントとして言語誘導の把握を再構築する。 未修正の学習操作プリミティブをラップする物理エージェントループを導入する。 眼内カメラD405を用いた移動マニピュレータのループを検証した。
  論文  参考訳（メタデータ） (2026-04-08T08:01:35Z)
• DynamicGate MLP Conditional Computation via Learned Structural Dropout and Input Dependent Gating for Functional Plasticity [0.0]
  ドロップアウト(Dropout)は、トレーニング中に隠れたユニットを非活性化してオーバーフィッティングを緩和する代表的な正規化技術である。 標準推論は、高密度な計算で全ネットワークを実行するため、その目標とメカニズムは条件付き計算とは異なる。 本稿では,DynamicGate-MLPを正規化ビューと条件計算ビューの両方を同時に満足する単一のフレームワークに編成する。
  論文  参考訳（メタデータ） (2026-03-17T10:54:16Z)
• TempoNet: Slack-Quantized Transformer-Guided Reinforcement Scheduler for Adaptive Deadline-Centric Real-Time Dispatchs [8.818252253980985]
  TempoNetは、置換不変トランスフォーマーと深いQ近似を組み合わせた強化学習スケジューラである。 ブロックワイズのトップk選択と局所性に敏感なチャンキングを備えた遅延対応スパースアテンションスタックは、順序のないタスクセットに対するグローバルな推論を可能にする。
  論文  参考訳（メタデータ） (2026-02-20T09:56:23Z)
• Fast SAM2 with Text-Driven Token Pruning [52.8350457627401]
  Segment Anything Model 2 (SAM2) では、視覚計算モデルがプロンプト駆動のビデオオブジェクトセグメンテーションにおいて大幅に進歩している。 SAM2パイプラインは、イメージエンコーダが生成するすべての視覚トークンを、ターゲットオブジェクトとの関係にかかわらず、下流の時間的推論モジュールを通じて伝達する。 本稿では,時間的伝播に先立ってトークン密度を選択的に低減し,推論効率を向上させるためのテキスト誘導型トークンプルーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-24T18:59:05Z)
• Taming Imperfect Process Verifiers: A Sampling Perspective on Backtracking [54.43083499412643]
  言語モデルの生成能力をプロセス検証器と組み合わせたテストタイムアルゴリズムは、新しい推論能力を引き出すための有望なレバーを提供する。 提案手法は, 理論的に根拠付きバックトラックを用いて, 検証誤差に対して, 確実な堅牢性を実現するための新しいプロセス誘導型テスト時間サンプリングアルゴリズムであるVGBを導入する。
  論文  参考訳（メタデータ） (2025-10-03T16:21:14Z)
• Parallel Decoding via Hidden Transfer for Lossless Large Language Model Acceleration [54.897493351694195]
  本稿では,複数連続するトークンを1つのフォワードパスで同時に復号する,新しい並列復号法,すなわちthithidden Transferを提案する。 加速度測定では,Medusa や Self-Speculative decoding など,単モデル加速技術よりも優れています。
  論文  参考訳（メタデータ） (2024-04-18T09:17:06Z)

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。