論文の概要: Energy-efficient operation of neural operators for virtual sensing

• arxiv url: http://arxiv.org/abs/2609.30580v1
• Date: Thu, 24 Sep 2026 21:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.148623
• Title: Energy-efficient operation of neural operators for virtual sensing
• Title（参考訳）: 仮想センシングのためのニューラル演算子のエネルギー効率向上
• Abstract要約: 熱交換器サービスでは、標準的なコンパイラフリーズと明示的なトランクの再利用により、同様の運転エネルギーが削減される。 固定クロックを持つ15Wモードでは、グラフ再生による再利用は、熱心な実行よりも22.0から22.5%少ないエネルギーで同じ要求シーケンスを完了する。
• 参考スコア（独自算出の注目度）: 2.7065664375961274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual sensing repeatedly reconstructs physical fields from changing observations, often on a fixed geometry. We investigate how shared spatial computation reduces the energy of these updates while retaining the selected checkpoint and its evaluated predictions. In a heat-exchanger service, standard compiler freezing and explicit trunk reuse give similar operating energy reductions relative to graph replay: approximately 1% at one request per second and 20% at forty requests per second. In 15 W mode with fixed clocks, reuse with graph replay completes the same request sequence with 22.0 to 22.5% less energy than eager execution, including preparation and waiting. DeepONet and Fourier neural operator (FNO) controls distinguish the effects of reusable arithmetic and launch overhead. Preparation, artifact construction, and worker replacement add costs outside repeated inference. These results connect operator structure to operating energy and show how update frequency and execution lifetime govern the benefit of computation reuse in physical-field virtual sensing.
• Abstract（参考訳）: 仮想センシングは、しばしば固定幾何上で、観測の変化から物理場を再現する。 共有空間計算は,選択したチェックポイントと評価された予測を維持しながら,これらの更新のエネルギーをいかに削減するかを検討する。 熱交換器サービスでは、標準的なコンパイラフリーズと明示的なトランクの再利用により、グラフの再生に対して同様の動作エネルギーが削減される。 固定クロックを持つ15Wモードでは、グラフ再生による再利用は同じ要求シーケンスを完了し、準備や待機を含む熱心な実行よりも22.0から22.5%少ないエネルギーを消費する。 DeepONet と Fourier Neural operator (FNO) コントロールは、再利用可能な演算と起動オーバーヘッドの影響を区別する。 準備、アーティファクト構築、作業者置換は、繰り返し推論の外でコストを加算する。 これらの結果は演算子構造と演算エネルギーを結合し、物理場仮想センシングにおける計算再利用の利点を更新頻度と実行寿命がいかに支配するかを示す。

関連論文リスト

• LoopVAE: Recurrent Depth Across Scales for Visual Tokenization [3.805468327504537]
  LoopVAEはスケールとループ条件のコアをスケール内で再利用する。 4ブロックコアはエンコーダまたはデコーダ毎に28ブロックアプリケーションを実行する。 同じ実行グラフを持つ非逆変換器アブレーションは、グローバルな共有の下で競合するPSNRとSSIMを見つける。
  論文  参考訳（メタデータ） (2026-09-10T13:20:03Z)
• Otters++: A Time-to-first-spike Based Energy Efficient Optical Spiking Transformer [21.767045800309088]
  スパイキングニューラルネットワーク(SNN)はエネルギー効率の高い推論を約束している。 TTFSコーディングは、各ニューロンが最大で一度発火するため、特に魅力的である。 TTFSコンピューティングは、現実的なハードウェア効果の下で、効率的で、トレーニング可能で、堅牢である。
  論文  参考訳（メタデータ） (2026-06-11T07:53:25Z)
• Machine Learning-Augmented Acceleration of Iterative Ptychographic Reconstruction [56.83110460392765]
  反復画像再構成アルゴリズムはコヒーレント・ディファレント・ディファレント・イメージングに広く用いられている。 本稿では, 反復的画像再構成を高速化する機械学習によるアプローチを提案する。
  論文  参考訳（メタデータ） (2026-05-01T21:46:58Z)
• Deep Lookup Network [76.66809324649154]
  多くのリソース制限エッジデバイスでは、複雑な演算をルックアップテーブルを通じて計算し、計算コストを削減できる。 本稿では,ニューラルネットワーク構築の基本的な操作として使用できる汎用的で効率的な検索操作を提案する。 計算コストのかかる乗算演算をルックアップ演算に置き換えることで、画像分類、画像超解像、点クラウド分類タスクのためのルックアップネットワークを開発する。
  論文  参考訳（メタデータ） (2025-09-17T03:31:41Z)
• RS-vHeat: Heat Conduction Guided Efficient Remote Sensing Foundation Model [59.37279559684668]
  本稿では,効率的なマルチモーダルリモートセンシング基盤モデルであるRS-vHeatを紹介する。 具体的には、RS-vHeatは、O(N1.5)$の複雑さを持つ熱伝導演算子(HCO)と、大域的受容場を適用している。 注意に基づくリモートセンシング基礎モデルと比較して、メモリ使用量を84%削減し、FLOPを24%削減し、スループットを2.7倍改善する。
  論文  参考訳（メタデータ） (2024-11-27T01:43:38Z)
• Towards an Effective and Efficient Transformer for Rain-by-snow Weather Removal [23.224536745724077]
  降雨による除雪は、降雪や降雪の粒子を除去することを目的とした、気象劣化画像復元の特別課題である。 本稿では,この課題に対処する効率的かつ効率的な変換器であるRSFormerを提案する。 RSFormerは、他の復元方法と比較して、パフォーマンスと時間消費の最良のトレードオフを達成する。
  論文  参考訳（メタデータ） (2023-04-06T04:39:23Z)
• End-to-end multi-particle reconstruction in high occupancy imaging calorimeters with graph neural networks [18.347013421412793]
  本研究では,検出器ヒットから粒子候補を粒度計で生成するエンド・ツー・エンドの再構成アルゴリズムを提案する。 このアルゴリズムは距離重み付きグラフニューラルネットワークを利用して、グラフセグメンテーション技術であるオブジェクト凝縮を訓練する。 この研究は、200の知識を積み重ねた高輝度条件下での1枚あたりのO(1000)$の粒子の1回の熱量再構成の例である。
  論文  参考訳（メタデータ） (2022-04-04T17:51:43Z)
• An Empirical Study of Adder Neural Networks for Object Detection [67.64041181937624]
  加算ニューラルネットワーク(AdderNets)は、追加操作のみを伴う画像分類において、優れたパフォーマンスを示している。 本稿では,オブジェクト検出のためのAdderNetsを実証研究する。
  論文  参考訳（メタデータ） (2021-12-27T11:03:13Z)
• Fast Motion Understanding with Spatiotemporal Neural Networks and Dynamic Vision Sensors [99.94079901071163]
  本稿では,高速な動きを推論するための動的視覚センサ(DVS)システムを提案する。 ロボットが15m/s以上の速度で接近する小さな物体に反応するケースを考察する。 我々は,23.4m/sで24.73degの誤差を$theta$,18.4mmの平均離散半径予測誤差,衝突予測誤差に対する25.03%の中央値で移動した玩具ダートについて,本システムの結果を強調した。
  論文  参考訳（メタデータ） (2020-11-18T17:55:07Z)

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。

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。