論文の概要: GPUPhysBench: Benchmarking Coding Agents for Correct and Efficient GPU Physics Simulation
- arxiv url: http://arxiv.org/abs/2609.35639v1
- Date: Mon, 28 Sep 2026 17:06:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 20:05:14.680303
- Title: GPUPhysBench: Benchmarking Coding Agents for Correct and Efficient GPU Physics Simulation
- Title（参考訳）: GPUPhysBench: 正確かつ効率的なGPU物理シミュレーションのためのベンチマークコーディングエージェント
- Abstract要約: GPUPhysBenchは、コーディングエージェントが物理シミュレーション要求を満たすかどうかをテストする50のタスクのベンチマークである。
エージェントは、固定時間予算の下でNVIDIA GPUにアクセスしてGPUコードを書き、コンパイルし、テストし、最適化する。
- 参考スコア（独自算出の注目度）: 20.575248786067068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Writing fast GPU code for physical simulation is difficult: implementations must preserve numerical accuracy while handling irregular data access, synchronization, and iterative solvers. We introduce GPUPhysBench, a benchmark of 50 tasks testing whether coding agents can meet these demands. Tasks cover fluids, deformable solids, and granular materials, from individual simulation operators to complete simulators. Agents write, compile, test, and optimize GPU code with access to a NVIDIA GPU under fixed time budgets. We report pass rates and runtime performance relative to expert-optimized reference implementations. In a single-attempt evaluation of six frontier model-harness pairs, the two strongest pass all 50 tasks, but even the fastest reaches at least 0.9 the reference speed on only 22% of them, and no submission is more than 5% faster than the reference. The largest gaps arise in collision detection, constraint solving, and iterative solvers. GPUPhysBench brings physical simulation workloads to coding-agent evaluation, testing both the ability to implement numerical methods correctly and the ability to make them run efficiently.
- Abstract（参考訳）: 物理シミュレーションのために高速なGPUコードを書くことは難しい。実装は不規則なデータアクセス、同期、反復的な解決器を処理しながら数値的精度を保たなければならない。
コーディングエージェントがこれらの要求を満たすかどうかをテストする50のタスクのベンチマークであるGPUPhysBenchを紹介する。
タスクは流体、変形可能な固体、および粒状物質を、個別のシミュレーション演算子から完全なシミュレータまでカバーする。
エージェントは、固定時間予算の下でNVIDIA GPUにアクセスしてGPUコードを書き、コンパイルし、テストし、最適化する。
専門家が最適化した参照実装と比較してパスレートと実行時のパフォーマンスを報告する。
6つのフロンティアモデルハーネスペアの単対評価では、2つの最強の2つのタスクは全50タスクをパスするが、最速でも22%の基準速度で少なくとも0.9に到達し、基準よりも5%以上高速である。
最大のギャップは衝突検出、制約解決、反復解法である。
GPUPhysBenchは、物理シミュレーションワークロードをコーディングエージェント評価に導入し、数値メソッドを正しく実装する機能と効率的に動作させる機能の両方をテストする。
関連論文リスト
- UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。
データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
論文 参考訳（メタデータ） (2026-05-28T17:53:50Z) - ARGUS: Agentic GPU Optimization Guided by Data-Flow Invariants [12.49256588033198]
LLMベースのコーディングエージェントは、機能的に正しいGPUカーネルを生成することができるが、その性能は、重要な計算に関する手動最適化ライブラリよりもはるかに低いままである。
データフロー不変量を通じてこの問題に対処するエージェントフレームワークであるArgusを紹介します。
我々は、GEMM、フラッシュアテンション、MoEカーネルにわたるAMD MI300X GPU上でArgusを評価する。
論文 参考訳（メタデータ） (2026-04-16T15:49:31Z) - NGPU-LM: GPU-Accelerated N-Gram Language Model for Context-Biasing in Greedy ASR Decoding [54.88765757043535]
この研究は、統計的なn-gram言語モデルのデータ構造を再考し、GPU最適化推論の高速かつ並列な操作を可能にする。
我々のアプローチは NGPU-LM と呼ばれ、7% 未満の計算オーバーヘッドを持つ全ての主要な ASR モデルに対して、カスタマイズ可能なgreedy decoding を導入している。
提案手法は,ビーム探索による顕著な遅延を回避しつつ,greedy と beam search の精度ギャップの50%以上を排除できる。
論文 参考訳（メタデータ） (2025-05-28T20:43:10Z) - Local object crop collision network for efficient simulation of
non-convex objects in GPU-based simulators [6.33790920152602]
我々のゴールは、非ネットワークオブジェクトの大規模シミュレーションのための効率的な接触検出アルゴリズムを開発することである。
補足材料の品質と量にのみ依存するCDのためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2023-04-19T06:09:12Z) - Going faster to see further: GPU-accelerated value iteration and
simulation for perishable inventory control using JAX [5.856836693166898]
我々はPythonライブラリJAXを使って、ハイレベルなAPIで基礎となるMarkov決定プロセスの反復とシミュレータを実装しています。
提案手法は,従来は実現不可能あるいは現実的と考えられていた設定に値反復の使用を拡張できる。
我々は、複数の候補ポリシーパラメータの並列評価を可能にするJAXのシミュレーション最適化を用いて、最適補充ポリシーの性能をポリシーと比較した。
論文 参考訳（メタデータ） (2023-03-19T14:20:44Z) - Neural Implicit Surfaces for Efficient and Accurate Collisions in
Physically Based Simulations [40.679520739784195]
衝突検出と解法は物理シミュレーションにおいて重要なボトルネックとなる。
シミュレーションにおける衝突処理のための深層学習により学習した暗黙の曲面表現を提案する。
提案アーキテクチャは,O(n) あるいは O(1) の複雑な単一点クエリを持ち,並列化の問題はない。
論文 参考訳（メタデータ） (2021-10-03T09:43:01Z) - Providing Meaningful Data Summarizations Using Examplar-based Clustering
in Industry 4.0 [67.80123919697971]
我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。
提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2021-05-25T15:55:14Z) - Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。
単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。
バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
論文 参考訳（メタデータ） (2021-03-12T00:22:50Z) - Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。
最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。
ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文 参考訳（メタデータ） (2020-06-18T08:16:25Z) - MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical
Models [96.1052289276254]
この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。
驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
論文 参考訳（メタデータ） (2020-04-16T16:20:53Z)
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。