論文の概要: Trust, but Verify: Rigorously Profiling Best-Effort High-Performance Computing for Digital Evolution

• arxiv url: http://arxiv.org/abs/2608.23955v2
• Date: Thu, 03 Sep 2026 16:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 16:10:20.136822
• Title: Trust, but Verify: Rigorously Profiling Best-Effort High-Performance Computing for Digital Evolution
• Title（参考訳）: 信頼性、検証:デジタル進化のための最高の高性能コンピューティングを厳格にプロファイリング
• Abstract要約: デジタル進化は、仮説駆動による多スケールの生物学的現象の探索と応用駆動の進化最適化を前進させる機会を提供する。 880,000プロセッサのCerebras Wafer-Scale Engine(WSE)など、次世代のAI/MLハードウェアアクセラレータプラットフォームは、デバイス上のデータストレージとムーブメントを制約している。 従来の決定論的コンピューティングパラダイムから外れたベストプラクティス緩和は、そのような制約を満たすのに役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developments in high-performance computing (HPC) technology continue to drastically increase quantities of available processing power. In the context of digital evolution, this explosive growth offers opportunities to advance both hypothesis-driven explorations of multi-scale biological phenomena and application-driven evolutionary optimization targeting hard problem domains. A particular opportunity arises from emerging next-generation AI/ML hardware accelerator platforms, such as the 880,000-processor Cerebras Wafer-Scale Engine (WSE). Such hardware, however, constrains on-device data storage and movement --- a challenge compounded by vulnerability to failures arising over numerous device components. Best-effort relaxations that depart from a traditional deterministic computing paradigm can help accommodate such constraints, but complicate reproducibility and risk introducing artifactual biases. We explore these concerns, developing a framework to measure runtime behavior of best-effort code and examining case studies of best-effort computing in digital evolution projects. The first case study applies best-effort CPU-cluster multiprocessing to a multicellularity evolution model, which provides 92% scaling efficiency at 64 processes ($2.1\times$ speedup) and exhibits robust median quality of service, even under hardware anomalies. The second case study examines WSE-based simulations, demonstrating best-effort strategies to track spatiotemporal population history --- through sparse, asynchronous device-to-host sampling that tolerates hardware faults. In sum, across potential forms and scopes of best-effort relaxation, we argue that digital evolution is uniquely positioned to contribute in developing post-deterministic HPC paradigms.
• Abstract（参考訳）: 高性能コンピューティング(HPC)技術の発展は、利用可能な処理能力を大幅に増加させ続けている。 デジタル進化の文脈において、この爆発的成長は、多スケールの生物学的現象の仮説駆動的な探索と、ハード問題領域を対象とするアプリケーション駆動の進化最適化の両方を前進させる機会を提供する。 880,000プロセッサのCerebras Wafer-Scale Engine(WSE)のような、次世代のAI/MLハードウェアアクセラレータプラットフォームから、特別な機会が生まれる。 しかし、そのようなハードウェアはデバイス上のデータストレージとムーブメントを制約している。 従来の決定論的コンピューティングパラダイムから外れたベストプラクティス緩和は、そのような制約を満たすのに役立ちますが、再現性と人工的バイアスを導入するリスクを複雑にします。 これらの懸念を考察し、ベストプラクティスコードの実行時の挙動を測定するためのフレームワークを開発し、デジタル進化プロジェクトにおけるベストプラクティスコンピューティングのケーススタディを検討する。 最初のケーススタディでは、64プロセス(2.1\times$ speedup)で92%のスケーリング効率を提供するマルチセルリティー進化モデルにCPUクラスタのマルチプロセッシングを最善に適用し、ハードウェアの異常の下でも堅牢なサービス品質を示す。 第2のケーススタディでは、WSEベースのシミュレーションを調査し、ハードウェアの欠陥を許容するスパースで非同期なデバイス対ホストサンプリングを通じて、時空間の人口履歴を追跡するためのベストプラクティスを実証している。 要約すると、最善緩和の潜在的な形態と範囲にわたって、デジタル進化は、決定論後のHPCパラダイムの発展に一意に貢献する位置にあると論じる。

関連論文リスト

• EvoCUA: Evolving Computer Use Agents via Learning from Scalable Synthetic Experience [44.734653745434834]
  本稿では,ネイティブコンピュータ利用エージェントモデルであるEvoCUAを紹介する。 静的な模倣とは異なり、EvoCUAはデータ生成とポリシー最適化を自己持続的な進化サイクルに統合する。 EvoCUAは以前の最高のオープンソースモデルであるOpenCUA-72Bを大きく上回っている。
  論文  参考訳（メタデータ） (2026-01-22T11:36:43Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• Trackable Island-model Genetic Algorithms at Wafer Scale [0.0]
  本稿では,Cerebras Wafer-Scale Engine(WSE)ハードウェアのためのトラッキング対応非同期島型遺伝的アルゴリズム(GA)フレームワークを提案する。 系統的再構成を検証し,根底にある進化状態の推測に適合することを示す。 これらのベンチマークと検証試験は、高度にスケーラブルな進化計算の強い可能性を反映している。
  論文  参考訳（メタデータ） (2024-05-06T16:17:33Z)
• Trackable Agent-based Evolution Models at Wafer Scale [0.0]
  我々は,85万プロセッサCerebras Wafer Scale Engine(WSE)のエージェントベース進化から系統情報を抽出する問題に焦点をあてる。 We present a asynchronous island-based genetic algorithm (GA) framework for WSE hardware。 本研究は,これらの治験の系統的再構成を検証し,根底にある進化状態の推測に適合することを示す。
  論文  参考訳（メタデータ） (2024-04-16T19:24:14Z)
• Resistive Memory-based Neural Differential Equation Solver for Score-based Diffusion Model [55.116403765330084]
  スコアベースの拡散のような現在のAIGC法は、迅速性と効率性の点で依然として不足している。 スコアベース拡散のための時間連続型およびアナログ型インメモリ型ニューラル微分方程式解法を提案する。 我々は180nmの抵抗型メモリインメモリ・コンピューティング・マクロを用いて,我々の解を実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-08T16:34:35Z)
• GPU-accelerated Evolutionary Multiobjective Optimization Using Tensorized RVEA [13.319536515278191]
  本稿では,GPUアクセラレーションの進歩を活用するために,大規模な進化的参照ベクトルガイドアルゴリズム(TensorRVEA)を提案する。 大規模集団と問題次元を含む数値ベンチマークテストでは、RVEAは一貫して高い計算性能を示し、1000ドル以上のスピードアップを達成している。
  論文  参考訳（メタデータ） (2024-04-01T15:04:24Z)
• Neuromorphic hardware for sustainable AI data centers [3.011658333753524]
  ニューロモルフィックハードウェアは、脳が情報を処理する方法からインスピレーションを得ている。 その可能性にもかかわらず、ニューロモルフィックなハードウェアは商用AIデータセンターに導入されていない。 本稿は、ニューロモルフィックハードウェアをデータセンターに統合する際の課題に対する意識を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-02-04T15:08:50Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
  予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。 PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。