論文の概要: System-Level Optimization Beyond Cryptographic Kernels: An ML-KEM Case Study on Arm Cortex-M7

• arxiv url: http://arxiv.org/abs/2610.01960v1
• Date: Thu, 01 Oct 2026 16:16:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.269301
• Title: System-Level Optimization Beyond Cryptographic Kernels: An ML-KEM Case Study on Arm Cortex-M7
• Title（参考訳）: 暗号カーネルを越えたシステムレベル最適化:Arm Cortex-M7のML-KEMケーススタディ
• Abstract要約: Arm Cortex-M7上のモジュール格子型キーカプセル化機構(ML-KEM)を事例として 本稿では、メモリ階層利用、密結合メモリ配置、周辺統合、クロック構成、決定論的公開データ再利用から得られる追加的な利益について検討する。
• 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: Recent work on embedded post-quantum cryptography has focused primarily on instruction-level optimization, including arithmetic-kernel improvements, assembly tuning, register allocation, and instruction scheduling. Using the Module-Lattice-Based Key-Encapsulation Mechanism (ML-KEM) on an Arm Cortex-M7 as a case study, we examine the additional gains available from memory-hierarchy utilization, tightly coupled memory placement, peripheral integration, clock configuration, and deterministic public-data reuse. The evaluation starts from a state-of-the-art SLOTHY-optimized implementation and covers all three ML-KEM parameter sets. Without modifying the cryptographic algorithm or standardized wire formats, the evaluated profiles without auxiliary public state reduce cycles by up to 2.5%. A selected public-data-reuse profile reduces encapsulation and decapsulation cycles by up to 74.6% and 58.8%, respectively. These results demonstrate that substantial deployment gains remain after arithmetic-kernel optimization and motivate a two-stage methodology that also examines the surrounding execution system.
• Abstract（参考訳）: 量子後暗号の最近の研究は、算術カーネルの改良、アセンブリチューニング、レジスタ割り当て、命令スケジューリングなど、命令レベルの最適化に重点を置いている。 本稿では,Arm Cortex-M7 上のモジュール格子型キーカプセル化機構 (ML-KEM) をケーススタディとして,メモリ階層利用,密結合メモリ配置,周辺統合,クロック構成,決定論的公開データ再利用のメリットについて検討する。 評価は、最先端のSLOTHY最適化実装から始まり、3つのML-KEMパラメータセットをカバーする。 暗号アルゴリズムや標準化されたワイヤフォーマットを変更することなく、補助的な状態のない評価されたプロファイルはサイクルを最大2.5%削減する。 選択された公開データ再利用プロファイルは、カプセル化サイクルとカプセル化サイクルをそれぞれ74.6%、58.8%削減する。 これらの結果から,算術・カーネル最適化以降も相当な展開増加がみられ,周辺の実行システムについても検討する2段階の方法論のモチベーションが得られた。

関連論文リスト

• LLaDA MoE v2: Scaling Mixture-of-Experts Diffusion Language Models [129.64558694024126]
  拡散言語モデル(dLLM)は自己回帰(AR)言語モデリングの代替を提供する。 我々は, MoE dLLM に対するハイパーパラメータ, 計算割り当て, アーキテクチャスケールの最適化を特徴付ける。 23.5Tトークンで30B-A3B dLLMのLLaDA MoE v2をスクラッチからトレーニングします。
  論文  参考訳（メタデータ） (2026-08-04T10:53:02Z)
• OpenOpt: An Open-Source SRAM Optimizer Based on Equivalent Circuit Model [7.6692414391071]
  本稿では,等価回路モデルを用いたアーキテクチャとトランジスタサイズを協調的に最適化する共最適化フレームワークを提案する。 このフレームワークは、不活性なセルを等価なRC負荷と静的パワーモデルに単純化し、最大61.4$times$ シミュレーションスピードアップを達成する。
  論文  参考訳（メタデータ） (2026-06-08T07:26:06Z)
• AutoQRA: Joint Optimization of Mixed-Precision Quantization and Low-rank Adapters for Efficient LLM Fine-Tuning [23.59600455731982]
  混合量子化微調整プロセスにおいて,各レイヤのビット幅とLoRAランク設定を同時に最適化する共同最適化フレームワークを提案する。 実験によると、AutoQRAは、均一な4ビットメソッドに匹敵するメモリフットプリントで、完全精度の微調整に近いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-25T07:18:08Z)
• CodeGEMM: A Codebook-Centric Approach to Efficient GEMM in Quantized LLMs [14.5426213901124]
  本稿では,コードブック中心のGEMMカーネルであるCodeGEMMについて紹介する。 Llama-3 モデルでは、CodeGEMM は2ビット構成で 1.83x (8B) と 8.93x (70B) のスピードアップを提供する。
  論文  参考訳（メタデータ） (2025-12-19T06:16:32Z)
• MiniCPM4: Ultra-Efficient LLMs on End Devices [126.22958722174583]
  MiniCPM4は、エンドサイドデバイス向けに明示的に設計された高効率な大規模言語モデル(LLM)である。 この効率性は、モデルアーキテクチャ、トレーニングデータ、トレーニングアルゴリズム、推論システムという4つの重要な側面において、体系的な革新を通じて達成します。
  論文  参考訳（メタデータ） (2025-06-09T16:16:50Z)
• Balancing Accuracy and Efficiency for Large-Scale SLAM: A Minimal Subset Approach for Scalable Loop Closures [7.066382982173528]
  本稿では,ループ閉鎖に最も影響の大きい優越性を用いてポーズグラフを構築するオンラインサンプリング手法を提案する。 各種公開データセットの評価結果から,提案手法は位置認識における偽陽性率の低減に優れることが示された。
  論文  参考訳（メタデータ） (2025-01-03T12:48:01Z)
• Extreme Compression of Large Language Models via Additive Quantization [59.3122859349777]
  我々のアルゴリズムは、AQLMと呼ばれ、情報検索のための古典的な加算量子化(AQ)アプローチを一般化する。 トークン生成のためのAQLMの高速GPUおよびCPU実装を提供しており、最適化されたFP16実装を高速にマッチングまたは性能良くすることができる。
  論文  参考訳（メタデータ） (2024-01-11T18:54:44Z)
• Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
  Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。 Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-06-02T06:06:29Z)
• Integrate Lattice-Free MMI into End-to-End Speech Recognition [87.01137882072322]
  音声認識(ASR)研究において、識別基準はDNN-HMMシステムにおいて優れた性能を達成している。 このモチベーションにより、差別的基準の採用は、エンドツーエンド(E2E)のASRシステムの性能を高めることを約束している。 これまでの研究は、最小ベイズリスク(MBR、差別基準の一つ)をE2E ASRシステムに導入してきた。 本研究では,他の広く使われている識別基準であるLF-MMIをE2Eに統合する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-29T14:32:46Z)

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。