論文の概要: Identifying Good Rules for Efficient SAT Encodings of Single-Constant Multiplication Using Machine Learning

• arxiv url: http://arxiv.org/abs/2607.21188v1
• Date: Thu, 23 Jul 2026 11:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.382525
• Title: Identifying Good Rules for Efficient SAT Encodings of Single-Constant Multiplication Using Machine Learning
• Title（参考訳）: 機械学習を用いた単一インスタンス乗算の効率的なSAT符号化のためのグッドルールの同定
• Abstract要約: 本稿では,SCM SAT符号化を高速化するニューロシンボリックフレームワークを提案する。 未確認17-32ビット定数実験の結果,符号化時間では1～2桁,メモリ使用量では97%以上,分枝数では1～2桁,分枝数では97%以上であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Single Constant Multiplication problem is a fundamental NP-hard optimization task in hardware design, which seeks to decompose a fixed constant using only additions, subtractions, and bit-shifts. Although dynamic programming methods can produce near-optimal SAT encodings for SCM, their encoding cost remains high for large constants. We propose a neuro-symbolic framework that accelerates SCM SAT encoding by identifying good rules for guiding operator selection during decomposition. Our approach employs a graph neural network model to predict promising operator types from constant decompositions, and exploits the resulting confidence scores to prune no-good choices in the symbolic search. Experimental results on unseen 17-32 bit constants demonstrate one to two orders of magnitude reductions in encoding time, over 97% reduction in memory usage, and an order-of-magnitude decrease in branching, while preserving near-optimal encoding quality in terms of additions. These results show that learning-guided symbolic strategies can significantly improve the scalability and efficiency of SCM encoding. Our code and data are publicly available at: https://github.com/Chufeng-Jiang/SCM_MLDP
• Abstract（参考訳）: 単一定数乗算問題(Single Constant Multiplication problem)は、ハードウェア設計におけるNP-hard最適化の基本的な課題であり、加算、減算、ビットシフトのみを用いて固定定数を分解しようとするものである。 動的プログラミング手法は、SCMのための準最適SAT符号化を生成することができるが、その符号化コストは大きな定数に対して高いままである。 本稿では,SCM SAT符号化を高速化するニューロシンボリックフレームワークを提案する。 提案手法では,一定の分解から有望な演算子型を予測するためにグラフニューラルネットワークモデルを用いており,その結果の信頼性スコアを利用して記号探索において不適切な選択を導出する。 未確認17-32ビット定数実験の結果, 符号化時間の1～2桁, メモリ使用量の97%以上, 分岐のオーダー・オブ・マグニチュードが減少した。 これらの結果から,学習誘導型シンボリック戦略はSCM符号化のスケーラビリティと効率を大幅に向上させることができることが示された。 私たちのコードとデータは、https://github.com/Chufeng-Jiang/SCM_MLDPで公開されています。

関連論文リスト

• Coset Ensemble Decoder for Quantum Error Correction with Algorithm-Hardware Co-Design [16.143601808851162]
  量子エラー補正(QEC)は、エラー症候群をリアルタイムで抽出し、復号する。 QECの重要なコンポーネントはデコーダであり、これは古典的なサブシステムであり、高い論理精度と超低レイテンシを同時に提供する必要がある。 本稿では,既存のアプローチに対する精度-遅延トレードオフを改善するアルゴリズム-ハードウェア共同設計を提案する。
  論文  参考訳（メタデータ） (2026-06-09T16:37:13Z)
• Effectiveness of Binary Autoencoders for QUBO-Based Optimization Problems [0.669087470775851]
  ブラックボックス最適化では、客観的評価は高価であるため、高品質なソリューションは限られた予算の下で見つける必要がある。 最近の研究は、FMQAとバイナリオートエンコーダを組み合わせて、実現可能なソリューションからコンパクトなバイナリ潜在コードを学ぶ。 また,BAEは,同様の圧縮で手作業で設計したエンコーディングに比べて,ツアー距離と潜伏するハミング距離との整合性が良好であることを示す。
  論文  参考訳（メタデータ） (2026-02-10T17:59:29Z)
• Fast correlated decoding of transversal logical algorithms [67.01652927671279]
  大規模計算には量子エラー補正(QEC)が必要であるが、かなりのリソースオーバーヘッドが発生する。 近年の進歩により、論理ゲートからなるアルゴリズムにおいて論理キュービットを共同で復号化することにより、症候群抽出ラウンドの数を削減できることが示されている。 ここでは、回路を介して伝播する関連する論理演算子製品を直接復号することで、回路の復号化の問題を修正する。
  論文  参考訳（メタデータ） (2025-05-19T18:00:00Z)
• A PyTorch-Compatible Spike Encoding Framework for Energy-Efficient Neuromorphic Applications [36.52207669429316]
  スパイキングニューラルネットワーク(SNN)は、特にスパーススパイク列車の処理において、有望なエネルギー効率の利点を提供する。 本稿ではスパイクエンコーディングのための新しいオープンソースのPythonフレームワークPyTorchを紹介する。
  論文  参考訳（メタデータ） (2025-04-15T09:50:03Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• Low-Weight High-Distance Error Correcting Fermionic Encodings [0.0]
  誤り訂正特性を持つ実効的なフェルミオン・ツー・キュービット符号化を探索する。 安定化器と論理演算子の重みを著しく改善する有望な高距離符号化を複数報告する。
  論文  参考訳（メタデータ） (2024-02-23T15:32:57Z)
• GEC-DePenD: Non-Autoregressive Grammatical Error Correction with Decoupled Permutation and Decoding [52.14832976759585]
  文法的誤り訂正(GEC)は、通常自己回帰的なシーケンス・ツー・シーケンスモデルで解決される重要なNLPタスクである。 本稿では, アーキテクチャを置換ネットワークに分離する, GEC に対する非自己回帰的アプローチを提案する。 GECの既知の非自己回帰手法よりもネットワークが向上することを示す。
  論文  参考訳（メタデータ） (2023-11-14T14:24:36Z)
• Factorizers for Distributed Sparse Block Codes [45.29870215671697]
  分散ブロック符号(SBC)を高速かつ高精度に分解する手法を提案する。 我々の反復分解器は、しきい値に基づく非線形活性化、条件付きランダムサンプリング、および $ell_infty$-based similarity metricを導入している。 CIFAR-100, ImageNet-1K, RAVENデータセット上での4つの深層CNNアーキテクチャの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-03-24T12:31:48Z)
• Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
  Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。 実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。 本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-13T02:44:05Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• Less is More: Pre-training a Strong Siamese Encoder Using a Weak Decoder [75.84152924972462]
  多くの実世界のアプリケーションはSiameseネットワークを使用して、テキストシーケンスを大規模に効率的にマッチングします。 本稿では,シームズアーキテクチャにおけるシーケンスマッチング専用の言語モデルを事前学習する。
  論文  参考訳（メタデータ） (2021-02-18T08:08:17Z)
• Consistent Multiple Sequence Decoding [36.46573114422263]
  一貫性のある多重シーケンスデコーディングアーキテクチャを導入する。 このアーキテクチャは任意の数のシーケンスを一貫した同時復号化を可能にする。 重回帰画像キャプションにおける一貫した多重シーケンスデコーダの有効性を示す。
  論文  参考訳（メタデータ） (2020-04-02T00:43:54Z)

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。