論文の概要: Accelerating Atom Simulations with Variable-Block Sparse Matrix Library

• arxiv url: http://arxiv.org/abs/2609.04397v1
• Date: Thu, 03 Sep 2026 19:06:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.800329
• Title: Accelerating Atom Simulations with Variable-Block Sparse Matrix Library
• Title（参考訳）: 可変ブロックスパース行列ライブラリによる原子シミュレーションの高速化
• Abstract要約: 可変サイズの原子ブロックを保存する分散スパース行列ライブラリであるVBCSRを提案する。 統一インターフェースは、スカラー、一様基底、多種演算子を自動的に圧縮スパース行(CSR)、ブロックスパース行(BSR)、可変ブロック圧縮スパース行(VBCSR)にマッピングする。 VBCSRは、いくつかのブロックスパースベンチマークでテストされたPythonアクセシブルリファレンス実装より優れている。
• 参考スコア（独自算出の注目度）: 1.9086152954856759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern atomistic simulations increasingly employ localized orbitals to represent quantum operators, yielding sparse block matrices whose block shapes vary with chemical species and basis choice. Conventional scalar sparse formats store the entries of each block individually, obscuring this local structure and limiting the use of efficient block algorithms. We present VBCSR, a distributed sparse matrix library that preserves variable-size atomic blocks and accelerates the core linear algebra of large-scale atomistic simulations. A unified interface automatically maps scalar, uniform-basis, and multispecies operators to compressed sparse row (CSR), block sparse row (BSR), or variable-block compressed sparse row (VBCSR). Our advanced acceleration method groups blocks of equal shape and dispatches them to optimized dense kernels. In the reported benchmarks, VBCSR outperforms the tested Python-accessible reference implementations for several block-sparse benchmarks. We further demonstrate VBCSR in an InP nanoparticle application containing more than \(10^6\) atoms.
• Abstract（参考訳）: 現代の原子論シミュレーションでは、量子演算子を表すために局所化軌道を用いるようになり、ブロック形状が化学種や基本選択によって異なるスパースブロック行列が得られるようになった。 従来のスカラースパースフォーマットは各ブロックのエントリを個別に格納し、この局所構造を隠蔽し、効率的なブロックアルゴリズムの使用を制限する。 本稿では,分散スパース行列ライブラリであるVBCSRについて述べる。このライブラリは,可変サイズの原子ブロックを保存し,大規模原子論シミュレーションのコア線形代数を高速化する。 統一インターフェースは、スカラー、一様基底、多種演算子を自動的に圧縮スパース行(CSR)、ブロックスパース行(BSR)、可変ブロック圧縮スパース行(VBCSR)にマッピングする。 我々の高度な加速法は、等形状のブロックをグループ化し、それらを最適化された高密度カーネルにディスパッチする。 レポートされたベンチマークでは、VBCSRは、いくつかのブロックスパースベンチマークでテストされたPythonアクセシブルリファレンス実装よりも優れている。 さらに, 10^6\)原子以上を含むInPナノ粒子アプリケーションにおいて, VBCSRを実証した。

関連論文リスト

• Memory-Scalable and Hardware-Adaptive Matrix-Free Quantum Simulation [0.0]
  本稿では,大規模演算子をベクトルに適用するためのメモリスケーリング,ハードウェア適応型行列フリーフレームワークを提案する。 量子シミュレーションでは、量子演算のコアカーネルを提供する。
  論文  参考訳（メタデータ） (2026-06-30T12:45:48Z)
• No More K-means: Single-Stage Sparse Coding for Efficient Multi-Vector Retrieval [51.43543998583709]
  SSR(Single-stage Sparse Retrieval)は、高価なクラスタリングを効率的なスパースコーディングに置き換えるパラダイムシフトである。 ColBERTv2と比較してインデックス処理時間を15倍短縮し、検索レイテンシを半減させ、同時に検索性能を向上させる。
  論文  参考訳（メタデータ） (2026-05-28T15:53:34Z)
• Block encoding of sparse matrices with a periodic diagonal structure [67.45502291821956]
  周期的な対角構造を持つスパース行列を符号化するための明示的な量子回路を提供する。 本手法の様々な応用は, 微分問題を解く文脈で論じる。
  論文  参考訳（メタデータ） (2026-02-11T07:24:33Z)
• Structured Sparse Transition Matrices to Enable State Tracking in State-Space Models [68.31088463716269]
  状態空間モデル(SSM)における遷移行列の構造的スパースパラメトリゼーションを提案する。 我々の方法PD-SSMは、遷移行列をカラム1ホット行列(P$)と複素数値対角行列(D$)の積としてパラメータ化する。 このモデルは、様々なFSA状態追跡タスクにおいて、現代のSSMの多種多様なバリエーションを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-26T12:46:30Z)
• BOLT: Block-Orthonormal Lanczos for Trace estimation of matrix functions [2.4578723416255754]
  多くの大規模アプリケーションでは、関連する行列が大きすぎて完全に保存またはアクセスできないため、単一のマットベック製品が実現不可能である。 本稿では,小さな主行列のみで動作するBOLTの変種であるSubblock SLQを紹介する。 理論的な保証を提供し、高次元設定の範囲で強い経験的性能を示す。
  論文  参考訳（メタデータ） (2025-05-18T08:04:05Z)
• BitStack: Any-Size Compression of Large Language Models in Variable Memory Environments [53.71158537264695]
  大規模言語モデル(LLM)は、多くのアプリケーションに革命をもたらしたが、ローカルデバイスにおけるメモリ制限により、その展開は依然として困難である。 textbfBitStackは,メモリ使用量とモデル性能のトレードオフを可能にする,新しいトレーニング不要な重み圧縮手法である。
  論文  参考訳（メタデータ） (2024-10-31T13:26:11Z)
• Searching for Efficient Linear Layers over a Continuous Space of Structured Matrices [88.33936714942996]
  アインシュタイン和を通じて表現可能なすべての線形作用素の探索を可能にする統一フレームワークを提案する。 計算-最適スケーリング法則の違いは主に少数の変数によって支配されていることを示す。 そこで,Mixture-of-Experts (MoE) は,注目ブロックの投影を含む,モデルのすべての線形層におけるMoEを学習する。
  論文  参考訳（メタデータ） (2024-10-03T00:44:50Z)
• Dictionary-based Block Encoding of Sparse Matrices with Low Subnormalization and Circuit Depth [2.4487770108795393]
  本稿では,新しいデータ構造に基づくスパース行列の効率的なブロック符号化プロトコルを提案する。 同じ値のゼロでない要素は、ブロックエンコーディングプロトコルの辞書で同じ分類に属する。 我々のプロトコルは、ユニタリ(LCU)とスパースアクセス入力モデル(SAIM)の線形結合に接続する。
  論文  参考訳（メタデータ） (2024-05-28T09:49:58Z)
• Fast and Robust Sparsity-Aware Block Diagonal Representation [13.167450470598045]
  アフィニティ行列のブロック対角構造は、ブロックに集中する非ゼロ係数によって特徴ベクトルのクラスタを表す。 本稿では,クラスタメンバシップとブロック数を共同で推定するFRS-BDR法を提案する。 実世界の様々なアプリケーションにおける実験は、クラスタリングの精度、劣化した特徴、時間およびクラスタ列挙性能に対するFRS-BDRの堅牢性を示す。
  論文  参考訳（メタデータ） (2023-12-02T13:44:27Z)
• Factorizers for Distributed Sparse Block Codes [45.29870215671697]
  分散ブロック符号(SBC)を高速かつ高精度に分解する手法を提案する。 我々の反復分解器は、しきい値に基づく非線形活性化、条件付きランダムサンプリング、および $ell_infty$-based similarity metricを導入している。 CIFAR-100, ImageNet-1K, RAVENデータセット上での4つの深層CNNアーキテクチャの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-03-24T12:31:48Z)
• High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
  共分散行列の明示的な構成を避ける新しい推論手法を提案する。 本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。 いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
  論文  参考訳（メタデータ） (2022-02-25T16:35:26Z)

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。