論文の概要: SAMpLE: A SystemC-AMS Machine LEarning-based Framework for Virtual Prototyping

• arxiv url: http://arxiv.org/abs/2608.25910v1
• Date: Wed, 26 Aug 2026 15:26:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.883523
• Title: SAMpLE: A SystemC-AMS Machine LEarning-based Framework for Virtual Prototyping
• Title（参考訳）: SAMpLE:仮想プロトタイピングのためのSystemC-AMSマシンリアニングベースのフレームワーク
• Abstract要約: 本稿では,機械学習モデルを時系列データフローコンポーネントとして統合したオープンソースのフレームワークである textbftextitSAMpLE を提案する。 このフレームワークはONNXを標準モデル交換フォーマットとして使用し、外部で訓練されたMLモデルをSystemC-AMSシミュレーションに統合する。
• 参考スコア（独自算出の注目度）: 1.4932318540666545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning (ML) is increasingly used in virtual prototypes of embedded systems to model behaviors that are difficult to capture analytically. However, integrating ML models into virtual platform simulation is still typically done through ad hoc solutions, which limits reuse, comparability, and reproducibility. This paper presents \textbf{\textit{SAMpLE}}, an open-source SystemC-AMS-based framework that integrates ML models as first-class Timed Dataflow (TDF) components through a standardized plug-and-play interface. SAMpLE provides two execution backends: a native C++ backend for online training of lightweight models, and an offline backend for executing externally developed models without requiring re-implementation in C++ or manual integration steps. The framework uses ONNX as a standard model exchange format to enable integration of externally trained ML models into SystemC-AMS simulations, and allows the evaluation of different ML-based solutions within the same testbench, dataset, and simulation workflow. The modular design and unified and reproducible environment will allow future extensions of SAMpLE to new models, without modifying the SystemC-AMS structure.
• Abstract（参考訳）: 機械学習(ML)は、分析的に捉えるのが難しい振る舞いをモデル化するために、組み込みシステムの仮想プロトタイプでますます使われている。 しかし、MLモデルを仮想プラットフォームシミュレーションに統合することは、通常、再利用、可視性、再現性を制限するアドホックなソリューションを通じて行われる。 本稿では,MLモデルを標準のプラグイン・アンド・プレイインターフェースを通じて,第1級のTimed Dataflow (TDF) コンポーネントとして統合する,オープンソースのSystemC-AMSベースのフレームワークである。 SAMpLEは2つの実行バックエンドを提供する。軽量モデルのオンライントレーニング用のネイティブC++バックエンドと、C++の再実装や手動統合ステップを必要とせずに、外部開発モデルを実行するオフラインバックエンドだ。 このフレームワークは、標準モデル交換フォーマットとしてONNXを使用して、外部からトレーニングされたMLモデルをSystemC-AMSシミュレーションに統合し、同じテストベンチ、データセット、シミュレーションワークフロー内で異なるMLベースのソリューションの評価を可能にする。 モジュール設計と統一された再現可能な環境により、将来のSAMpLEをSystemC-AMS構造を変更することなく新しいモデルに拡張することができる。

関連論文リスト

• Integration of an Agent Model into an Open Simulation Architecture for Scenario-Based Testing of Automated Vehicles [1.0499611180329804]
  本稿では,ツールに依存しないトラヒックエージェントモデルの統合を可能にする,標準化されたモジュール化されたシミュレーション統合アーキテクチャを提案する。 このアーキテクチャは、構造化メッセージフォーマットとしてOpen Simulation Interface(OSI)と、動的モデル交換のためのFMI(Functional Mock-up Interface)の上に構築されている。 評価の一環として, モデルが全てのシミュレーションプラットフォームにおいて一貫した振る舞いをもたらすことを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:47:51Z)
• Simulating Environments with Reasoning Models for Agent Training [55.98861707136674]
  トレーニング用の起動環境の構築は重く、脆く、進捗を制限します。 我々はSimia-SFTとSimia-RLの2つのフレームワークを提案する。 Simia-SFTとSimia-RLは、環境工学を使わずにスケーラブルなエージェントトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-11-03T18:29:57Z)
• LLM-Assisted Semantic Alignment and Integration in Collaborative Model-Based Systems Engineering Using SysML v2 [7.19300892392172]
  本稿では,LLMを用いたSysML v2モデルのセマンティックアライメントのための構造化,即時駆動型アプローチを提案する。 このアプローチでは、エイリアス、インポート、メタデータ拡張などのSysML v2コンストラクトを活用して、トレーサビリティとソフトアライメントの統合をサポートする。
  論文  参考訳（メタデータ） (2025-08-22T07:56:33Z)
• OptMerge: Unifying Multimodal LLM Capabilities and Modalities via Model Merging [124.91183814854126]
  モデルマージは、複数のエキスパートモデルをひとつのモデルに組み合わせようとしている。 本稿ではMLLMのトレーニングと評価のタスクを明確に分割したモデルマージ研究のベンチマークを紹介する。 モデルマージは、トレーニングデータを必要とせずに改善されたMLLMを構築するための有望な方法であることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T12:23:14Z)
• Leveraging Importance Sampling to Detach Alignment Modules from Large Language Models [48.15777554876988]
  伝統的なアライメント手法では、しばしば大きな事前訓練されたモデルを再訓練する必要がある。 本稿では,アライメント処理を重要サンプリングの一種として形式化する新しいtextitResidual Alignment Model (textitRAM) を提案する。 本稿では,トークンレベルの復号化を反復的に行う再サンプリングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-05-26T08:53:02Z)
• Syntactic and Semantic Control of Large Language Models via Sequential Monte Carlo [90.78001821963008]
  広い範囲のLMアプリケーションは、構文的制約や意味論的制約に適合するテキストを生成する必要がある。 我々は、連続モンテカルロ(SMC)に基づく制御LM生成のためのアーキテクチャを開発する。 我々のシステムはLew et al. (2023) のフレームワーク上に構築されており、言語モデル確率型プログラミング言語と統合されている。
  論文  参考訳（メタデータ） (2025-04-17T17:49:40Z)
• LLM-enabled Instance Model Generation [4.52634430160579]
  本研究では,大規模言語モデル(LLM)を用いたインスタンスモデルの生成について検討する。 まず、LLMを用いて、必要なすべてのインスタンスモデル情報を含む簡易な構造化出力を生成し、その中間表現を有効なXMIファイルにコンパイルする。 提案手法は, 実例モデル生成タスクにおけるLCMのユーザビリティを著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-03-28T16:34:29Z)
• Model Assembly Learning with Heterogeneous Layer Weight Merging [57.8462476398611]
  モデル統合のための新しいパラダイムであるモデルアセンブリ学習(MAL)を紹介する。 MALは、様々なモデルのパラメータをオープンエンドモデル動物園に統合し、ベースモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-03-27T16:21:53Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• Model Share AI: An Integrated Toolkit for Collaborative Machine Learning Model Development, Provenance Tracking, and Deployment in Python [0.0]
  モデル共有AI(AIMS)は、コラボレーティブモデル開発、モデル前駆者追跡、モデルデプロイメントを合理化するように設計された、使いやすいMLOpsプラットフォームである。 AIMSは、協調的なプロジェクト空間と、見当たらない評価データに基づいてモデル提出をランク付けする標準化されたモデル評価プロセスを備えている。 AIMSでは、Scikit-Learn、Keras、PyTorch、ONNXで構築されたMLモデルを、ライブREST APIや自動生成されたWebアプリにデプロイすることができる。
  論文  参考訳（メタデータ） (2023-09-27T15:24:39Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS [0.0]
  マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。 このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
  論文  参考訳（メタデータ） (2021-07-29T22:55:26Z)
• ModelCI-e: Enabling Continual Learning in Deep Learning Serving Systems [21.37434583546624]
  本稿では,この問題を解決するために,ModelCI-e(継続的インテグレーションと進化)と呼ばれる軽量MLOpsプラグインを実装した。 ModelCI-eは継続学習(CL)とMLデプロイメント技術を採用し、モデルの更新と検証をエンドツーエンドでサポートする。 予備的な結果は、ModelCI-eのユーザビリティを示し、モデル更新と推論ワークロード間の干渉を取り除くことが、システム効率の向上に不可欠であることを示している。
  論文  参考訳（メタデータ） (2021-06-06T13:28:51Z)

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。