Fugu-MT 論文翻訳(概要): Improving the matrix multiplication exponent with modern optimization and AlphaEvolve

論文の概要: Improving the matrix multiplication exponent with modern optimization and AlphaEvolve

arxiv url: http://arxiv.org/abs/2608.16884v1
Date: Mon, 17 Aug 2026 17:59:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.834044
Title: Improving the matrix multiplication exponent with modern optimization and AlphaEvolve
Title（参考訳）: 現代最適化とAlphaEvolveによる行列乗算指数の改善
Abstract要約: 我々は、これまで可能だったよりも大きな設定で解決できるように最適化問題を再構築する。我々は、機械学習の最近の進歩を活用して、この問題に対する新しい最適化アルゴリズムを設計する。我々の組み合わせのアプローチでは、上限が2.371177ドルとなり、以前の最高値が2.371339になる。
参考スコア（独自算出の注目度）: 21.29345606848599
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The current best bounds on the matrix multiplication exponent $ω$ are obtained through a refinement of the laser method called combination loss analysis (Duan et al., 2022; Williams et al., 2024; Alman et al., 2025). In this note, we address the optimization problem at the core of this approach and propose several improvements. First, we reformulate the optimization problem allowing us to solve it in a larger setting than was previously possible. Second, we leverage recent advances in machine learning to design a new optimization algorithm for this problem. Finally, we refine the resulting optimization algorithm with AlphaEvolve. Our combined approach yields an upper bound of $ω$ < 2.371177, improving the previous best bound of 2.371339.
Abstract（参考訳）: 行列乗法指数$ω$の現在の最適境界は、結合損失解析と呼ばれるレーザー法の改良によって得られる(Duan et al , 2022; Williams et al , 2024; Alman et al , 2025)。本稿では,本手法のコアとなる最適化問題に対処し,いくつかの改善を提案する。まず、これまで可能だったよりも大きな設定で解けるように最適化問題を再構築する。第2に、機械学習の最近の進歩を活用して、この問題に対する新しい最適化アルゴリズムを設計する。最後に、AlphaEvolveで得られた最適化アルゴリズムを改良する。我々の組み合わせのアプローチは、$ω$ < 2.371177 となり、以前の 2.371339 の最高値を改善する。

関連論文リスト

Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
勾配学習における設計の自動化に関する理論的基礎を築いた。勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
論文参考訳（メタデータ） (2025-12-06T09:50:41Z)
Improved Approximation Algorithms for Low-Rank Problems Using Semidefinite Optimization [2.0052993723676895]
そこで我々は,低ランク最適化問題に対する類似の緩和戦略を構築した。与えられた$n × m$ の半直交行列に対して、我々はアルゴリズムに対して純粋に乗法的近似比を導出する。我々は、新しい半有限緩和法を開発することにより、一般の低ランク最適化問題にアプローチを拡張した。
論文参考訳（メタデータ） (2025-01-06T11:31:41Z)
A Problem-Oriented Perspective and Anchor Verification for Code Optimization [43.28045750932116]
大規模言語モデル(LLM)は、様々なプログラミングタスクを解く際、顕著な能力を示している。本稿では,LLMが最小実行時間に最適化する能力について検討する。
論文参考訳（メタデータ） (2024-06-17T16:10:10Z)
Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文参考訳（メタデータ） (2023-12-28T23:15:18Z)
A Pure Quantum Approximate Optimization Algorithm Based on CNR Operation [0.0]
汎用的な純粋量子近似最適化アルゴリズムを提案する。このアルゴリズムは$p$レベルの分割・対数構造に構成されている。 2つの最適化問題の必要なキュービット数が10である場合、アルゴリズムの性能を詳細に示す。
論文参考訳（メタデータ） (2023-10-27T06:54:39Z)
Resetting the Optimizer in Deep RL: An Empirical Study [10.907980864371213]
深層強化学習における最適値関数の近似に着目する。この単純な修正により,Atariベンチマークにおける深部RLの性能が大幅に向上することが実証された。
論文参考訳（メタデータ） (2023-06-30T17:53:50Z)
Size optimization of CNOT circuits on NISQ [13.391818915679796]
ノイズの多い中間規模量子(NISQ)デバイス上でのCNOT回路の最適化について検討する。我々はこのアルゴリズムをIBM20や他のNISQデバイス上で実装し、その結果は他の実験方法よりも優れている。
論文参考訳（メタデータ） (2022-10-11T06:44:04Z)
Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか? まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文参考訳（メタデータ） (2022-03-12T16:07:57Z)
Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。両レベル最適化のための2つの新しいアルゴリズムを提案する。両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文参考訳（メタデータ） (2021-06-08T21:05:30Z)
Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文参考訳（メタデータ） (2020-12-31T19:13:53Z)
Divide and Learn: A Divide and Conquer Approach for Predict+Optimize [50.03608569227359]
予測+最適化問題は、予測係数を使用する最適化プロブレムと、確率係数の機械学習を組み合わせる。本稿では, 予測係数を1次線形関数として, 最適化問題の損失を直接表現する方法を示す。本稿では,この制約を伴わずに最適化問題に対処し,最適化損失を用いてその係数を予測する新しい分割アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-12-04T00:26:56Z)
A Primer on Zeroth-Order Optimization in Signal Processing and Machine Learning [95.85269649177336]
ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
論文参考訳（メタデータ） (2020-06-11T06:50:35Z)

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。