論文の概要: GPU Acceleration of Awkward Arrays: Using Python cuda.compute
- arxiv url: http://arxiv.org/abs/2610.08238v1
- Date: Tue, 06 Oct 2026 12:23:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.977917
- Title: GPU Acceleration of Awkward Arrays: Using Python cuda.compute
- Title（参考訳）: Awkward配列のGPU高速化: Python cuda.compute
- Abstract要約: Awkward ArrayはPythonでネストした可変長データを表現および操作するためのライブラリである。
以前のCHEPコントリビューションでは、Awkward ArrayのGPUアクセラレーションが検討されている。
われわれはこれらの初期の取り組みに基づいて構築された開発について紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Awkward Array is a widely used library in high-energy physics (HEP) for representing and manipulating nested, variable-length data in Python. Previous CHEP contributions have explored GPU acceleration for Awkward Array, demonstrating the feasibility and performance benefits of CUDA-based backend while also identifying limitations related to irregular data access, fine-grained kernel launches, and composability of operations. In this contribution, we present recent developments that build directly on these earlier efforts by introducing a CUDA execution model for Awkward Array based on the Python CUDA Core Compute Libraries (CCCL). Using CCCL, we eliminate the need for custom CUDA kernels and can instead use a high-level Python interface. The CCCL-based approach also enables fusion of multiple Awkward operations into a reduced number of CUDA kernels, addressing kernel launch overhead observed in earlier GPU implementations. Lazy execution allows expression graphs to be constructed and optimized prior to kernel generation, improving performance for analysis workflows involving jagged arrays, combinatorial operations, and reductions. In contrast to earlier approaches, this design also emphasizes extensibility, allowing user-defined Python code to be incorporated into GPU execution paths with minimal boilerplate and without breaking existing analysis semantics. We present performance studies that demonstrate improvements over previously reported eager GPU execution strategies for representative HEP analysis patterns. These developments extend the GPU capabilities of Awkward Array toward a more composable and sustainable backend, aligned with the needs of Python-based analysis at the HL-LHC and beyond.
- Abstract（参考訳）: Awkward Arrayは、Pythonでネストした可変長データを表現し操作するための高エネルギー物理学(HEP)で広く使われているライブラリである。
以前のCHEPコントリビューションでは、Awkward ArrayのGPUアクセラレーションを調査し、CUDAベースのバックエンドの実現可能性とパフォーマンスのメリットを実証するとともに、不規則なデータアクセス、きめ細かいカーネルの起動、操作の構成性に関する制限を特定している。
本稿では,Python CUDA Core Compute Libraries (CCCL)をベースとしたAwkward ArrayのCUDA実行モデルを導入することで,これらの取り組みを直接的に構築する最近の開発について述べる。
CCCLを使用することで、カスタムCUDAカーネルの必要性を排除し、代わりにハイレベルなPythonインターフェースを使用することができます。
CCCLベースのアプローチでは、複数のAwkward操作をCUDAカーネルの数を削減し、初期のGPU実装で観測されたカーネルの起動オーバーヘッドに対処することも可能だ。
遅延実行により、カーネル生成前に式グラフの構築と最適化が可能になり、ジャグ配列、コンビネータ操作、リダクションを含む分析ワークフローのパフォーマンスが改善される。
以前のアプローチとは対照的に、この設計では拡張性も強調されており、ユーザ定義のPythonコードを最小限のボイラプレートでGPU実行パスに組み込むことができ、既存の分析セマンティクスを壊すことはない。
本稿では,HEP解析の代表的なパターンに対して,前報したGPU実行戦略の改善を示す性能研究について述べる。
これらの開発はAwkward ArrayのGPU機能を、より構成可能で持続可能なバックエンドへと拡張し、HL-LHCなどにおけるPythonベースの分析の必要性に合わせている。
関連論文リスト
- Advancing Awkward Arrays for High-Performance CPU and GPU Processing [0.0]
Awkward Arrayは、ネストした可変長データの表現と処理のためのPythonライブラリである。
我々は、NVIDIA Core Compute Libraries上に構築された実装を含む、Awkward Array GPUバックエンドの開発について紹介する。
論文 参考訳（メタデータ） (2026-07-30T12:53:25Z) - LibFHE: A Numba-Based CUDA-Python Library for Non-RNS CKKS-BGV Fully Homomorphic Encryption on GPUs [0.0]
第4世代のFHEフレームワークであるCKKSが提案されてから10年が経つが、第5世代の後継者を指す指標はいまだに存在しない。
我々は,GPU-Pythonバインディングを特徴とする高性能GPUアクセラレーションフレームワークであるLibFHEを提案する。
論文 参考訳（メタデータ） (2026-07-07T07:18:12Z) - CUDAHercules: Benchmarking Hardware-Aware Expert-level CUDA Optimization for LLMs [45.52512820646709]
我々は、エンドツーエンドの人間-専門家SOTAシステムに対して生成されたベンチマークであるHerculesを紹介する。
自動化プログラミングは完全な解決には程遠いものであり、より強力なハードウェア推論、より良いツール使用、トレーニング目標が必要です。
論文 参考訳（メタデータ） (2026-05-08T20:35:27Z) - CUDA Agent: Large-Scale Agentic RL for High-Performance CUDA Kernel Generation [51.72529978689561]
Agentは、カーネルの専門知識を3つのコンポーネントで開発する大規模なエージェント強化学習システムである。
AgentはKernelBench上で、トーチコンパイルよりも100%、100%、92%高速なレートを提供する。
論文 参考訳（メタデータ） (2026-02-27T18:58:05Z) - Scalable GPU-Accelerated Euler Characteristic Curves: Optimization and Differentiable Learning for PyTorch [0.0]
我々は,Euler Characteristics Curve(ECC)向けに最適化されたGPUカーネルを提案し,合成グリッド上でのGPU実装よりも16-2000"Oの高速化を実現した。
エンドツーエンドの学習を可能にする差別化可能なPyTorch層を導入する。
論文 参考訳（メタデータ） (2025-10-23T06:59:07Z) - Scaling Tractable Probabilistic Circuits: A Systems Perspective [53.76194929291088]
PyJuiceは、いくつかの点で先行技術を改善するPCの一般的な実装設計である。
大規模PCのトレーニングでは、既存のシステムよりも1～2桁高速である。
PyJuiceは2～5倍のメモリを消費するので、より大きなモデルをトレーニングすることができます。
論文 参考訳（メタデータ） (2024-06-02T14:57:00Z) - SIP: Autotuning GPU Native Schedules via Stochastic Instruction Perturbation [0.0]
大型言語モデル(LLM)はその出現以来、重要なワークロードとなっている。
また、数十億のパラメータを持ち、大量のデータで訓練されているため、計算コストも高い。
近年、LLMのトレーニングと推論のための専用カーネルが開発されているため、ハードウェアリソースは可能な限り十分に活用されている。
論文 参考訳（メタデータ） (2024-03-25T15:26:50Z) - Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures [67.47328776279204]
この研究は、効率的でポータブルなDeep LearningとHigh Performance Computingカーネルを開発するためのフレームワークを導入している。
1)プロセッシングプリミティブ(TPP)を用いた計算コアの表現と,2)高レベルな宣言的手法でTPPのまわりの論理ループの表現の2つのステップでカーネルの開発を分解する。
我々は、スタンドアロンカーネルと、さまざまなCPUプラットフォームにおける最先端実装よりも優れたエンドツーエンドワークロードを使用して、このアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-25T05:04:44Z) - 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)
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。