Fugu-MT 論文翻訳(概要): Maia 200: A Software Defined Dataflow System for Large-scale AI Acceleration

論文の概要: Maia 200: A Software Defined Dataflow System for Large-scale AI Acceleration

arxiv url: http://arxiv.org/abs/2608.24664v1
Date: Tue, 25 Aug 2026 15:05:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:35.054613
Title: Maia 200: A Software Defined Dataflow System for Large-scale AI Acceleration
Title（参考訳）: Maia 200: 大規模AIアクセラレーションのためのソフトウェア定義データフローシステム
Abstract要約: Maia 200は高性能10-10 Tflop/s FP4と5072 Tflop/s FP8を750W TDPと7TB/s帯域で提供する高度なAIアクセラレータである。
参考スコア（独自算出の注目度）: 14.93365493412921
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Maia 200, an advanced AI accelerator delivering high performance-10 145 Tflop/s FP4 and 5072 Tflop/s FP8 within a 750W TDP and 7 TB/s HBM bandwidth. Maia exemplifies a new class of Software Defined Locally Accessed Dataflow Architectures (SDLA), which explicitly program dataflow engines to orchestrate highly specialized memories and data movement engines. This approach shifts the focus from today's thread-centric to data-movement-centric architecture, improving efficiency and scalability. Our taxonomy of data management, inspired by Flynn's classification, highlights how SDLA addresses challenges in modern AI computing. Maia 200 achieves significant cost and energy savings while supporting massive parallelism for AI inference workloads, making it a compelling solution for next-generation high-performance computing systems.
Abstract（参考訳）: 750WのTDPと7TB/sのHBM帯域内で、ハイパフォーマンス10～145Tflop/s FP4と5072Tflop/s FP8を提供する高度なAIアクセラレータであるMaia 200を紹介した。 Maia氏はSDLA(Software Defined Locally Accessed Dataflow Architectures)という新しいクラスを例示している。このアプローチは、今日のスレッド中心のアーキテクチャからデータ移動中心のアーキテクチャに焦点を移し、効率とスケーラビリティを改善します。 Flynnの分類にインスパイアされたデータ管理の分類は、現代のAIコンピューティングにおけるSDLAの課題にどう対処するかを強調しています。 Maia 200は、AI推論ワークロードの大規模な並列処理をサポートしながら、大幅なコストと省エネを実現している。

関連論文リスト

M100: An Orchestrated Dataflow Architecture Powering General AI Computing [38.198130859057834]
M100は、自律運転(AD)、大規模言語モデル(LLM)、インテリジェントヒューマンインタラクションにおけるAI推論のパフォーマンスが高く、費用対効果の高いアーキテクチャである。 M100はデータフロー並列アーキテクチャを採用し、コンパイラとアーキテクチャの共同設計が計算をオーケストレーションする。テンソル計算は、コンパイラとランタイム管理されたデータストリームによって駆動される。
論文参考訳（メタデータ） (2026-04-20T06:19:30Z)
Thousand-GPU Large-Scale Training and Optimization Recipe for AI-Native Cloud Embodied Intelligence Infrastructure [24.0829526239246]
身体知は人工知能(AGI)の鍵となるステップである私たちは、インテリジェンスを具体化するクラウドベースの1000GPU分散トレーニングプラットフォームをローンチした。我々はエンドツーエンド評価システムを構築し、トレーニングからシミュレーション、評価まで、クローズドループを作成しました。
論文参考訳（メタデータ） (2026-03-11T09:09:35Z)
Dato: A Task-Based Programming Model for Dataflow Accelerators [13.87015257740592]
データフローアクセラレーターのためのPython組み込みタスクベースのプログラミングモデルであるDatoを紹介する。 Datoはデータ通信とシャーディングをファーストクラスのコンストラクトに高める。 Datoは高いパフォーマンスを実現し、最適化されたコードを書くことの負担を大幅に削減します。
論文参考訳（メタデータ） (2025-09-08T15:22:51Z)
Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
論文参考訳（メタデータ） (2025-04-06T03:23:48Z)
Tracking Meets Large Multimodal Models for Driving Scenario Understanding [76.71815464110153]
大規模マルチモーダルモデル(LMM)は、最近自動運転研究で注目されている。本稿では3次元の空間的・時間的詳細を復元するための追加入力として追跡情報を統合することを提案する。本稿では,この追跡情報をLMMに埋め込んで,運転シナリオの理解を深めるための新しい手法を提案する。
論文参考訳（メタデータ） (2025-03-18T17:59:12Z)
Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文参考訳（メタデータ） (2024-08-26T17:03:14Z)
TrIM, Triangular Input Movement Systolic Array for Convolutional Neural Networks: Architecture and Hardware Implementation [0.0]
TrIMは、入力の三角移動に基づく革新的なデータフローである。 TrIMは、最先端のシストリックアレイと比較して1桁のメモリアクセス数を削減できる。アーキテクチャは、毎秒453.6ギガオペレーションのピークスループットを達成する。
論文参考訳（メタデータ） (2024-08-05T10:18:00Z)
PIM-Opt: Demystifying Distributed Optimization Algorithms on a Real-World Processing-In-Memory System [21.09681871279162]
大規模データセットに対するモダン機械学習(ML)トレーニングは、時間を要する作業量である。最適化アルゴリズムであるGradient Descent (SGD) は、その効率性、単純さ、一般化性能に頼っている。プロセッサ中心のアーキテクチャは、MLトレーニングワークロードの実行中に低パフォーマンスと高エネルギー消費に悩まされる。 Processing-In-Memory(PIM)は、データ移動のボトルネックを軽減するための有望なソリューションである。
論文参考訳（メタデータ） (2024-04-10T17:00:04Z)
FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文参考訳（メタデータ） (2023-06-08T13:11:20Z)
Optimizing Deep Learning Recommender Systems' Training On CPU Cluster Architectures [56.69373580921888]
クラウドコンピューティングセンターのAIサイクルの大部分を占めるRecommender Systemsに注目します。 HPC用に調整された最新のCPUハードウェアとソフトウェア上で動作可能にすることで、パフォーマンスの2桁以上の改善を達成できます。
論文参考訳（メタデータ） (2020-05-10T14:40:16Z)
One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。