論文の概要: SweepANN: A GPU-Accelerated Large-K Approximate Vector Search for Drug Discovery

• arxiv url: http://arxiv.org/abs/2610.27306v1
• Date: Mon, 19 Oct 2026 21:21:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.517616
• Title: SweepANN: A GPU-Accelerated Large-K Approximate Vector Search for Drug Discovery
• Title（参考訳）: SweepANN: ドラッグ発見のためのGPUで加速した大容量近似ベクトル検索
• Abstract要約: キャンペーンは5億以上の分子からなる1つのライブラリに対して、事前に20K以上のポケットを修復する。 各ポケットはK = 500Kの候補を持ち、コレクションの0.1%はANNベンチマークで100である。 ミスしたヒットは決してテストされないので、正確な検索に対してリコールは99%に達する必要がある。
• 参考スコア（独自算出の注目度）: 12.066761677159827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DrugCLIP places small molecules and protein pockets in one space, turning genome-wide drug discovery into large-K retrieval by vector proximity. A campaign fixes over 20K pockets in advance for one library of over 500M molecules. Each pocket keeps K = 500K candidates, 0.1% of the collection, versus 100 in ANN benchmarks. Missed hits never get tested, so mean recall must reach 99% relative to exact search. Large answers make IVF probe every list holding a result and graph search track K or more candidates, so costs grow with K. On our CPUs and GPUs, neither index family reaches the target without losing most of its edge over scanning. SweepANN partitions compressed vectors across GPUs and scans each resident partition. One matrix multiplication scores each block for a whole query batch, reading it once. Several plans perform the K-dependent selection and merging of each query's K answers, each returning an exact top-K under compressed scoring. The window plan retains each query's best K from sampled blocks as its seed, and only rows above each seed's minimum score, shared once across GPUs, enter the buffers. Four Blackwell GPUs (RTX PRO 6000) answer all 26,562 pockets with a resident time of about 61 seconds, excluding library loading, and 99.6% mean recall relative to exact FP32 search. DrugCLIP reports roughly 24 hours with eight A100 GPUs in its own campaign. On 500M rows, the window plan runs 1.41x faster than SweepANN's grouped plan in the same memory. Across 25M-500M rows and K of 10K-500K, all GPU IVF configurations meeting the recall target take 8.2-24x SweepANN's resident time. On DEEP1B's 1B vectors across eight GPUs, against SweepANN's exact full-score scan of uncompressed FP32 rows, the window plan cuts resident time by 5.4x and 3.2x at K = 100K and 500K. It also cuts per-GPU peak memory by 6.0x and 5.3x, losing 1.0 and 0.7 mean-recall points.
• Abstract（参考訳）: DrugCLIPは小さな分子とタンパク質のポケットを1つの空間に配置し、ゲノム全体の薬物発見をベクトル近接による大きなK検索に変換する。 キャンペーンでは,5億以上の分子からなる1つのライブラリに対して,20K以上のポケットを事前に修正する。 各ポケットはK = 500Kの候補を持ち、コレクションの0.1%はANNベンチマークで100である。 ミスしたヒットは決してテストされないので、正確な検索に対してリコールは99%に達する必要がある。 大規模な回答により、IVFは結果を保持するリストとグラフ検索トラックK以上の候補を調査できるため、Kでコストが増加する。 SweepANNは圧縮ベクターをGPU間で分割し、各常駐パーティションをスキャンする。 1つの行列乗算は、クエリバッチ全体に対して各ブロックをスコアし、それを1回読む。 いくつかの計画では、各クエリのK回答のK依存の選択とマージを行い、それぞれが圧縮されたスコアの下で正確なトップKを返す。 ウィンドウプランでは、各クエリのベストKをサンプルブロックからシードとして保持し、各シードの最小スコアを超える行のみがGPU間で一度共有され、バッファに入る。 4つのBlackwell GPU (RTX PRO 6000) は26,562個のポケットに、ライブラリの読み込みを除いて約61秒の滞在時間と、正確なFP32検索と比較して99.6%の平均リコールを答えている。 DrugCLIPは8つのA100 GPUで約24時間のキャンペーンを報告している。 5億行のウィンドウプランは同じメモリでSweepANNのグループプランよりも1.41倍高速で動作する。 25M-500M行と10K-500KのKにまたがって、リコールターゲットを満たすすべてのGPU IVF構成は、SweepANNの常駐時間8.2-24倍である。 DEEP1Bの8つのGPUにわたる1Bベクトルでは、SweepANNの圧縮されていないFP32行のフルスコアスキャンに対して、ウィンドウプランでは、K = 100Kと500Kで居住時間を5.4倍と3.2倍に短縮する。 またGPU毎のピークメモリを6.0xと5.3xに削減し、1.0と0.7の平均リコールポイントを失う。

関連論文リスト

• Beyond the Trial-and-Error Loop: Hybrid Projection and Automated Tuning for Distributed Training [20.90211684851616]
  Primus Projectionは、できることを計測し、できないことをシミュレートするハイブリッドプロジェクションエンジンである。 スコープ外の集合体、FSDPオーバーラップ、マルチノードターゲットでの完全なパイプラインスケジュールを解析的に復元する。 純粋なシミュレーションモードはCPU上で完全に動作し、GPUを使わずにプリシリコン計画を可能にする。
  論文  参考訳（メタデータ） (2026-10-14T02:15:28Z)
• VestigeKV: The NoPE-MLA KV Cache Carries Its Own Sparse-Attention Signal in a Vestigial Branch [0.44841701732863304]
  VestigeKVはキャッシュが既に持っていた信号からスパースアテンションパターンを導出する。 何もトレーニングされておらず、キャッシュ行は量子化されないため、すべての品質効果は、選択とスケジューリングに起因しています。 Kimi Linear 48B では、検索は 8x の 1.00 と 8k から 65k のコンテキストの 32x の 0.96 で保持され、完全な選択のギャップはゼロである。
  論文  参考訳（メタデータ） (2026-09-03T14:53:20Z)
• A Modern Multimodal Assistant on a 6 GB 2011 GPU: Stage-Validated, All-GPU CUDA Inference for Fermi [0.0]
  このレポートはハードウェアを維持し、適合するモデルに何ができるかを尋ねる。 SigLIP2エンコーダとウィンドウアテンションマージを組み合わせた,現代的なマルチモーダルアシスタントであるMini-V-4.6をデプロイする。 システムは、画像質問のエンドツーエンドを1.7秒で答える。
  論文  参考訳（メタデータ） (2026-07-16T04:48:44Z)
• GPUSparse: GPU-Accelerated Learned Sparse Retrieval with Parallel Inverted Indices [3.3723515662362265]
  本稿では,GPUを高速化した正確なスパース検索システムであるGPUSparseを提案する。 ブロック整列されたワープ対応のポストリストを持つGPU並列逆インデックスを使用する。 Batched scatter-add スコアリングアルゴリズムは数百のクエリを同時に処理する。
  論文  参考訳（メタデータ） (2026-06-24T23:07:57Z)
• RoPE-Aware Bit Allocation for KV-Cache Quantization [52.099459337231345]
  Block-GTQはTurboQuant-MSE上に構築されたキーキャッシュ量子化のためのビットアロケータである。 これは、RoPEクエリキーのロジットを10モデル診断パネルに保存する。 128Kコンテキストでfp16 FlashAttention2より1.34倍高速で動作する。
  論文  参考訳（メタデータ） (2026-06-23T00:17:48Z)
• FlashMemory-DeepSeek-V4: Lightning Index Ultra-Long Context via Lookahead Sparse Attention [77.12062766962815]
  Lookahead Sparse Attention (LSA)は、DeepSeek-V4アーキテクチャ上に構築されたNeural Memory Indexerを利用している。 このアーキテクチャをバックボーンフリーの非結合なトレーニング戦略でインスタンス化する。 FM-DS-V4は、物理KVキャッシュのフットプリントを、フルコンテキストベースラインのわずか13.5%まで圧縮することを示した。
  論文  参考訳（メタデータ） (2026-06-08T06:25:54Z)
• RFX: High-Performance Random Forests with GPU Acceleration and QLORA Compression [0.0]
  RFX (Random Forests X) は、X が圧縮または量子化の略であり、Python で Breiman と Cutler の Random Forest 分類方法論のプロダクション対応の実装を提供する。 RFX v1.0は完全な分類を提供する:out-of-bagエラー推定、総合的および局所的重要度測定、QLORA圧縮による近接行列、ケースワイズ分析、インタラクティブ可視化(rfviz)。 回帰、教師なし学習、CLIQUEの重要性、RF-GAP近接はv2.0で計画されている。
  論文  参考訳（メタデータ） (2025-11-23T12:00:33Z)
• FuseSampleAgg: Fused Neighbor Sampling and Aggregation for Mini-batch GNNs [51.56484100374058]
  FuseSampleAggは、隣人の平均アグリゲーションをGraphSAGEの1つのパスにフューズし、サンプリングする。 Operatorは決定論的であり、標準のPyTorchと統合され、CSVログからすべてのテーブルとフィギュアを再現するスクリプトが同梱されている。
  論文  参考訳（メタデータ） (2025-11-17T17:57:18Z)
• HeadInfer: Memory-Efficient LLM Inference by Head-wise Offloading [79.38548165722229]
  HEADINFERはKVキャッシュをCPURAMにオフロードするが、GPU上のトランスフォーマー層のKVキャッシュを完全に保存する必要はない。 HEADINFERはメモリフットプリントを大幅に削減し,計算効率を向上することを示した。
  論文  参考訳（メタデータ） (2025-02-18T06:26:05Z)
• Explore as a Storm, Exploit as a Raindrop: On the Benefit of Fine-Tuning Kernel Schedulers with Coordinate Descent [48.791943145735]
  カーネルの品質を向上しながら,Ansorの検索時間を短縮する可能性を示す。 このアプローチを、Ansorが生成した最初の300のカーネルに適用する。 この結果は20の有名なディープラーニングモデルで再現されている。
  論文  参考訳（メタデータ） (2024-06-28T16:34:22Z)

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。