論文の概要: Decomposing Browser Pipeline Architectures for DOM-Sourced Particle Effects: Worker Offload, WebGL, and WebAssembly
- arxiv url: http://arxiv.org/abs/2608.23609v1
- Date: Fri, 21 Aug 2026 16:20:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.384695
- Title: Decomposing Browser Pipeline Architectures for DOM-Sourced Particle Effects: Worker Offload, WebGL, and WebAssembly
- Title（参考訳）: DOMソースのパーティクルエフェクトのためのブラウザパイプラインアーキテクチャの分解:Worker Offload、WebGL、WebAssembly
- Abstract要約: ローカル最適化は、必ずしも階層化されたブラウザアーキテクチャにおけるエンドツーエンドの最適化をもたらすとは限らない。
本稿では、DOMソースのパーティクルパイプラインを用いて、制御されたアーキテクチャ分解を行う。
我々は,対話型ペーシング,高負荷エンドツーエンドストレス,シミュレーションのみのマイクロベンチマークを測定した。
- 参考スコア（独自算出の注目度）: 2.624508656138528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Local optimization does not necessarily yield end-to-end optimization in layered browser architectures. Teams often treat Web Workers, WebGL, and WebAssembly as interchangeable ways to "make it faster," yet each lever targets a different layer. We present a controlled architectural decomposition--using DOM-sourced particle pipelines as a concrete workload--of five particle pipelines (P1-P5), with an additional non-particle CSS-layer baseline (P0), that isolates thread placement, renderer choice, and simulation backend. Using a reproducible harness we measure interactive pacing, high-load end-to-end stress, and a simulation-only microbenchmark, plus same-host cross-browser / dual-GPU-class replication (Firefox 153+Intel UHD; Chrome 138+NVIDIA NVK) and an independent second-host slice on Google Colab (Chrome 150, Tesla T4, n=5). Four results stand out. (1) Worker offload improves interactive pacing on paper-primary Chrome (approx. 144 vs approx. 52 FPS; Cliff's delta=1, n=10). (2) AssemblyScript speeds the Chrome update kernel by about 1.5-1.6x on the primary host and approx. 1.85x on Colab T4 (sim-only). (3) Under approx. 250k WebGL particles the Chrome sim-only WASM win need not raise product FPS (P5<=P4 on primary/Firefox; P5 approx. P4 on Colab T4); in-worker CPU phase timers show simulate still dominates the accounted budget, so the non-translation is not a simple "draw dominates CPU" story. (4) Renderer ranking and absolute margins vary across browser/GPU/host configurations. The contribution is bottleneck-aware architectural measurement: identify the dominant layer and test whether a layer win propagates to user-visible FPS.
- Abstract（参考訳）: ローカル最適化は、必ずしも階層化されたブラウザアーキテクチャにおけるエンドツーエンドの最適化をもたらすとは限らない。
チームはしばしば、Web Workers、WebGL、WebAssemblyを"より速く作る"ための交換可能な方法として扱うが、各レバーは異なるレイヤをターゲットにしている。
我々は、DOMソースのパーティクルパイプラインを5つのパーティクルパイプライン(P1-P5)の具体的なワークロードとして使用し、スレッド配置、レンダ選択、シミュレーションバックエンドを分離する非パーティクルCSS層ベースライン(P0)を追加する。
再現可能なハーネスを使用して、インタラクティブなペーシング、高負荷のエンドツーエンドストレス、シミュレーション専用のマイクロベンチマーク、同ホストクロスブラウザ/デュアルGPUクラスのレプリケーション(Firefox 153+Intel UHD、Chrome 138+NVIDIA NVK)、Google Colab(Chrome 150, Tesla T4, n=5)の独立した第2ホストスライスを測定する。
4つの結果が浮き彫りだ。
1) 作業者のオフロードは,紙製Chrome上でのインタラクティブなペーシングを改善する(約144対52 FPS,Cliffのデルタ=1,n=10)。
2) AssemblyScriptは、プライマリホストとアロックスで、Chromeアップデートカーネルを1.5-1.6倍高速化する。
Colab T4 の 1.85x (sim-only)。
(3)下記の通り。
250kのWebGL粒子 Chrome sim-only WASMの勝利は、製品 FPS(プライマリ/FirefoxではP5<=P4、Colab T4ではP5approx.P4)を上げる必要はない。
(4) レンダリングランキングと絶対マージンはブラウザ/GPU/ホスト構成によって異なる。
主なレイヤを特定し、レイヤの勝利がユーザ可視FPSに伝播するかどうかをテストする。
関連論文リスト
- Pipeline-Native Transformers: Co-Designing Model Architecture and CPU Inference for Bandwidth-Efficient Autoregressive Decode [0.0]
CPU上のシングルトークンの自己回帰デコードは、演算ではなくメモリ帯域幅によって拘束される。
このレポートは、最も効果的な反応はモデルアーキテクチャと推論を一緒に設計することであると主張している。
CPUファーストのストリーミングエンジンであるcflowと、パイプラインネイティブなトランスフォーマーアーキテクチャのファミリが同梱されている。
論文 参考訳（メタデータ） (2026-08-24T21:28:05Z) - Meganeura: Portable GPU Training and Inference through Vulkan and Metal [0.0]
Meganeura氏は、ひとつのコンパクトなネイティブコンパイラが、コンシューマGPU上の両方のフェーズにまたがることができるかどうかを尋ねている。
NVIDIAとAMDの離散GPUで、マッチした5つのワークロードとPyTorchを比較した。
その結果,一般消費者のグラフィクスAPIは,コンパクトな共有トレイン・ツー・デプロイスタックを,時としてベンダ・コンペティティブなパフォーマンスでサポートできることが示唆された。
論文 参考訳（メタデータ） (2026-08-03T00:42:55Z) - UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。
データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
論文 参考訳（メタデータ） (2026-05-28T17:53:50Z) - Automatic Generation of High-Performance RL Environments [13.796920626646964]
複雑な強化学習環境を高性能な実装に変換するには、これまで何ヶ月もの専門技術が必要だった。
計算コスト10ドルで意味論的に等価な高性能環境を創出する再利用可能なレシピを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:45:47Z) - Characterizing WebGPU Dispatch Overhead for LLM Inference Across Four GPU Vendors, Three Backends, and Three Browsers [0.0]
WebGPUのセキュリティを重視した設計では、ニューラルネットワーク推論において、多数の小さなディスパッチにまたがる化合物の操作毎の検証が義務付けられている。
バッチサイズ1のLLM推論のためのWebGPUディスパッチオーバーヘッドを,4つのベンダ(NVIDIA,AMD,Apple,Intel)と2つのネイティブ実装(Dawn,wgpu-native)と3つのブラウザ(Chrome,Safari,Firefox)にまたがるシステマティックな評価を行った。
私たちの主なコントリビューションはシーケンシャルなディスパッチ手法です。
論文 参考訳（メタデータ） (2026-02-09T20:14:42Z) - MCP vs RAG vs NLWeb vs HTML: A Comparison of the Effectiveness and Efficiency of Different Agent Interfaces to the Web (Technical Report) [3.1427994341585688]
我々は,HTML,MPP,NLWebの4つのe-shopsを模擬したテストベッドを紹介した。
各インターフェース (HTML, RAG, MCP, NLWeb) に対して,同じタスクセットを実行する特殊なエージェントを開発する。
GPT 4.1, GPT 5, GPT 5 mini, Claude Sonnet 4 を基礎となる LLM として評価した。
論文 参考訳（メタデータ） (2025-11-28T15:32:15Z) - Minute-Long Videos with Dual Parallelisms [57.22737565366549]
Diffusion Transformer (DiT)ベースのビデオ拡散モデルは、大規模に高品質なビデオを生成するが、長いビデオの処理遅延とメモリコストは禁じられている。
我々はDualParalと呼ばれる新しい分散推論戦略を提案する。
1つのGPUでビデオ全体を生成する代わりに、時間フレームとモデルレイヤの両方をGPU間で並列化します。
論文 参考訳（メタデータ） (2025-05-27T11:55:22Z) - MARLIN: Mixed-Precision Auto-Regressive Parallel Inference on Large Language Models [58.3342517278868]
本稿では,Mixed-precision AutoRegressive LINearカーネルの設計について述べる。
バッチサイズは16-32までサポートでき、量子化のスピードアップが最大 (4times$) になる。
MarLINは非同期メモリアクセス、複雑なタスクスケジューリング、パイプライン化といったテクニックを組み合わせてこれを実現している。
論文 参考訳（メタデータ） (2024-08-21T16:10:41Z) - A Real-World WebAgent with Planning, Long Context Understanding, and
Program Synthesis [69.15016747150868]
本稿では,WebAgentについて紹介する。WebAgentは自己経験から学習し,実際のWebサイト上でタスクを完了させるエージェントである。
WebAgentは、指示を標準のサブ命令に分解し、長いHTMLドキュメントをタスク関連スニペットに要約し、ウェブサイトで作用する計画である。
我々は、我々のモジュラーレシピが実際のWebサイトの成功を50%以上改善し、HTML-T5が様々なHTML理解タスクを解決する最良のモデルであることを実証的に実証した。
論文 参考訳（メタデータ） (2023-07-24T14:56:30Z) - Edge-MoE: Memory-Efficient Multi-Task Vision Transformer Architecture
with Task-level Sparsity via Mixture-of-Experts [60.1586169973792]
M$3$ViTは、Mix-of-experts (MoE)を導入した最新のマルチタスクViTモデルである。
MoEは精度の向上と80%以上の削減計算を実現しているが、FPGAに効率的なデプロイを行う上での課題は残されている。
Edge-MoEと呼ばれる私たちの研究は、アーキテクチャの革新の集合を伴って、マルチタスクのViTのための最初のエンドツーエンドFPGAアクセラレータを導入するという課題を解決します。
論文 参考訳（メタデータ） (2023-05-30T02:24:03Z) - You Only Segment Once: Towards Real-Time Panoptic Segmentation [68.91492389185744]
YOSOはリアルタイムのパン光学セグメンテーションフレームワークである。
YOSOは、パン光学カーネルと画像特徴マップの間の動的畳み込みを通じてマスクを予測する。
YOSOは、COCOで46.4 PQ、45.6 FPS、都市景観で52.5 PQ、22.6 FPS、ADE20Kで38.0 PQ、35.4 FPSを達成している。
論文 参考訳（メタデータ） (2023-03-26T07:55:35Z)
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。
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。