論文の概要: FoldPipe: Bounded Remote Streaming of Native Molecular Shards with Asynchronous Prefetch

• arxiv url: http://arxiv.org/abs/2608.27029v1
• Date: Thu, 27 Aug 2026 12:15:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.381716
• Title: FoldPipe: Bounded Remote Streaming of Native Molecular Shards with Asynchronous Prefetch
• Title（参考訳）: FoldPipe: 非同期プレフェッチによるネイティブ分子シャードのリモートストリーミング境界
• Abstract要約: FoldPipeは、PyTorchとPyTorch Geometricデータのための軽量なPythonオーケストレーション層である。 コンシューマが現在のシャードでトレーニングしている間に、バックグラウンドスレッドで1つのシャードを前もって取得し、ライブシャードペイロードの数をバウンドする。 MD17アスピリン上でのシュネットエネルギーと力の負荷をTesla T4上で20対のオーダー交互ベンチマークで評価した。
• 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: Training molecular machine-learning models on ephemeral or memory-constrained accelerator instances can require repeatedly retrieving preprocessed molecular graphs from remote storage. FoldPipe is a lightweight Python orchestration layer for already-sharded PyTorch and PyTorch Geometric data. It retrieves one shard ahead in a background thread while the consumer trains on the current shard, keeping the number of live shard payloads bounded with respect to total dataset size. Asynchronous prefetch and bounded buffering are established systems techniques rather than novel scheduling algorithms. FoldPipe's contribution is a small integration targeted at native .pt molecular shards together with a source-pinned empirical characterization of its operating regime. We evaluate a SchNet energy-and-force workload on MD17 aspirin using 20 paired, order-alternating benchmark passes on a Tesla T4. Each pass processes five pinned shards containing 25,000 structures. FoldPipe records 16.33 s mean I/O-compute overlap, compared with zero by construction for the sequential bounded baseline. Mean pass time is 76.78 s for FoldPipe and 83.37 s for the baseline. However, the geometric mean paired speedup is $1.059\times$ with a 95% bootstrap interval from $0.878\times$ to $1.288\times$. The experiment therefore verifies the overlap mechanism but is inconclusive about a reliable wall-clock speed advantage under the observed public-network variability.
• Abstract（参考訳）: 短命またはメモリ制限された加速器インスタンス上の分子機械学習モデルを訓練するには、リモートストレージから繰り返し処理済みの分子グラフを取得する必要がある。 FoldPipeは、すでにシャードなPyTorchとPyTorch Geometricデータのための軽量なPythonオーケストレーション層である。 コンシューマが現在のシャードをトレーニングしている間に、バックグラウンドスレッドで1つのシャードを前もって取得し、データセットサイズ全体に対して、ライブシャードペイロードの数をバウンドする。 非同期プリフェッチと有界バッファリングは、新しいスケジューリングアルゴリズムではなく、確立されたシステム技術である。 FoldPipeのコントリビューションは、.NETネイティブをターゲットとした小さな統合である。 pt分子シャードは、その動作状態のソースピンによる経験的特徴とともに保持される。 MD17アスピリン上でのシュネットエネルギーと力の負荷をTesla T4上で20対のオーダー交互ベンチマークで評価した。 各パスは、25,000の構造物を含む5本のピン付きシャードを処理する。 FoldPipeは16.33秒でI/O計算のオーバーラップを意味し、逐次有界ベースラインの構成はゼロである。 平均パス時間はFoldPipeで76.78秒、ベースラインで83.37秒である。 しかし、幾何平均ペアスピードアップは$1.059\times$であり、95%のブートストラップ間隔は$0.878\times$から$1.288\times$である。 この実験は重なり合いのメカニズムを検証するが、観測された公開ネットワークのばらつきの下では、信頼性の高いウォールクロック速度の優位性については不確定である。

関連論文リスト

• Tied Trit-Planes: Constraining PTQTP to a Uniform Nine-Level Quantizer, with a Persistent Folded Format for Disk-Streamed Mixture-of-Experts Serving [0.28304882054363123]
  この研究はPTQTPの解法に制約としてそのアイデンティティを課した最初のものである。 我々は、284B-A13B混合エキスパートモデルであるDeepSeek-V4-Flash-0731のルートエキスパートに適用する。 すべてのコード、フォーマット、評価アーティファクトは、fucina推論スタックでオープンソースである。
  論文  参考訳（メタデータ） (2026-08-09T20:53:47Z)
• Graph-Aware Exact Branch-and-Bound with Device Profiles for Static Qubit Allocation [1.5229257192293195]
  静的量子ビット割り当ては、回路の論理量子ビットをスパース物理デバイスにマッピングする。 我々は、グラフ対応の正確な削減を、軽量な割り当てバウンドパスのためのエンジニアリングバンドルに統合する。 その結果、グラフ対応ノード処理とエンジニアリングにより、正確な割り当てに必要なリソースを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2026-08-04T12:36:54Z)
• ForgettingOT: Certified Speculative Batching from Sinkhorn's Projective Forgetting [0.0]
  固定点ヤコビアン$J_tstar=QP=Pstar P$ の固有モードが厳密な補正テールを制御することを示す。 ForgettingOTは、この非線形ペロン-フロベニウスの事実をシンクホーン問題のストリームの認定執行者に変える。
  論文  参考訳（メタデータ） (2026-07-27T17:59:36Z)
• X-Stage: An Overlooked Pipeline Stage for Communication-Computation Overlap in DiT Inference [18.883833948875488]
  デバイス初期通信により、分散拡散トランスフォーマー(DiT)の永続的なGPUカーネルはリモートストアを発行する。 既存のシステムスケジュールは、通信が発行され、受信されたデータが消費可能になったときであるが、リモート可視完了前の発行後の進捗を省略する。 X-Stageはソフトウェアで見えるポストイシューパイプラインのステージです。
  論文  参考訳（メタデータ） (2026-07-25T16:04:36Z)
• Accelerating Discrete Diffusion Models with Parallel-In-Time Sampling [55.388363730120325]
  本研究では,CTMC(Continuous-Time Markov Chain)フレームワークにおいて,離散拡散を吸収するための$-leapingアルゴリズムを並列化する。 我々は,$$-leapingアルゴリズムとPicard法の連続時間積分形式を利用して,並列時間サンプリング高速化を実現する。 本研究は, 分子構造や言語生成などの応用において, 効率的な並列推論のための離散拡散モデルの可能性を広げるものである。
  論文  参考訳（メタデータ） (2026-07-01T10:59:33Z)
• A Controlled Study of Memory Hierarchy Transitions in Quantum Circuit Simulation on Apple M4 Pro Unified Memory Architecture [0.0]
  状態ベクトル量子回路シミュレーションはメモリ帯域境界である。 Apple M4 Pro Unified Memory Architectureを使ってこの問題に対処する。 ピークストリーミング帯域幅は、連続しないメモリアクセスパターンのシミュレーションスピードアップを予測できないことを示す。
  論文  参考訳（メタデータ） (2026-05-09T08:22:55Z)
• MEMTIER: Tiered Memory Architecture and Retrieval Bottleneck Analysis for Long-Running Autonomous AI Agents [6.8552591401084015]
  提案するMEMTIERは,OpenClawエージェントのための三部構成メモリアーキテクチャである。 完全なLongMemEval-Sベンチマークでは、MEMTIERは6GBのGPU上でQwen2.5-7BでAcc.382, F1=.412を達成する。 DeepSeek-V4-Flashでは、シングルセッションリコールは0.686-0.714に達し、これらのカテゴリのRAG GPT-4oを上回っている。
  論文  参考訳（メタデータ） (2026-05-05T12:14:10Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• AsyncDiff: Parallelizing Diffusion Models by Asynchronous Denoising [49.785626309848276]
  AsyncDiffは、複数のデバイスにまたがるモデル並列化を可能にする、普遍的でプラグアンドプレイのアクセラレーションスキームである。 安定拡散 v2.1 では、AsyncDiff は2.7倍の速度アップと4.0倍のスピードアップを実現し、CLIPスコアの 0.38 をわずかに削減した。 我々の実験は、AsyncDiffがビデオ拡散モデルに容易に適用でき、性能を向上できることを示した。
  論文  参考訳（メタデータ） (2024-06-11T03:09:37Z)
• STAT: Shrinking Transformers After Training [72.0726371426711]
  微調整なしで変圧器モデルを作成するための簡単なアルゴリズムSTATを提案する。 STATは、次の層の重みを補正して精度を保ちながら、注意頭とニューロンの両方をネットワークから排除する。 われわれのアルゴリズムは、BERTを圧縮するのに数分を要し、単一のGPUを用いて7Bパラメータを持つモデルを圧縮するのに3時間もかからない。
  論文  参考訳（メタデータ） (2024-05-29T22:59:11Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• Time-Sliced Quantum Circuit Partitioning for Modular Architectures [67.85032071273537]
  現在の量子コンピュータの設計はスケールしない。 小さなプロトタイプを超えてスケールするために、量子アーキテクチャーは、密に連結された量子ビットとクラスタ間のスパーサ接続のクラスタによるモジュラーアプローチを採用する可能性が高い。 このクラスタリングと静的に知られた量子プログラムの制御フローを利用して、量子回路を一度に一度にモジュラ物理マシンにマップするトラクタブルパーティショニングを生成する。
  論文  参考訳（メタデータ） (2020-05-25T17:58:44Z)

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。