論文の概要: Benchmarking CPU, GPU, and ML Power-Flow Solvers from 14 to 70,000 Buses

• arxiv url: http://arxiv.org/abs/2610.27930v1
• Date: Tue, 20 Oct 2026 09:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.751964
• Title: Benchmarking CPU, GPU, and ML Power-Flow Solvers from 14 to 70,000 Buses
• Title（参考訳）: 14～70万バスのCPU,GPU,MLパワーフローソリューションのベンチマーク
• Abstract要約: 我々は、新しいバッチGPUソルバであるgumsim2gridを含む7つのCPUベースと2つのGPUベースという、9つの物理ベースのソルバにまたがるベンチマークを構築した。 十分に並列化されたCPUソルバは、テストするMLサロゲートのスループットと、桁違いに精度を保ちながら一致または超過します。
• 参考スコア（独自算出の注目度）: 0.2799896314754614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned surrogates for power-flow (PF) computation are usually motivated by speed, compared against a single CPU-based baseline. We show this comparison is fragile: across 7 open-source CPU-based solvers evaluated on identical inputs, throughput varies by roughly 2.5-3 orders of magnitude, so the choice of baseline alone can flip the conclusion. We build a benchmark spanning 9 physics-based solvers: 7 CPU-based and 2 GPU-based, including a new batched GPU solver, gumsim2grid - and 3 published ML surrogates, evaluated under a shared, independently implemented KCL-mismatch check across 15 grids from 14 to 70,000 buses. On the PF task itself, a sufficiently parallelized CPU solver or gpusim2grid matches or exceeds the throughput of the ML surrogates we test while remaining orders of magnitude more accurate; we find no evidence that these GNN-style surrogates are yet competitive for PF specifically, though prior work reports genuine gains on related but more combinatorial tasks such as optimal power flow or power grid control. Beyond this finding, we hope the benchmark suite, code and reference evaluator released at https://github.com/Grid2op/gpusim2grid helps close a broader reproducibility gap in this space, where batched GPU-based PF solvers are rarely open-sourced or evaluated against a common set of baselines.
• Abstract（参考訳）: パワーフロー(PF)計算のための学習されたサロゲートは通常、単一のCPUベースのベースラインと比較して、スピードによって動機づけられる。 同一入力に基づいて評価された7つのオープンソースCPUベースソルバにおいて、スループットは2.5～3桁程度に変化するため、ベースラインのみの選択は結論を覆すことができる。 7つのCPUベースと2つのGPUベース – 新しいバッチGPUソルバ、gumsim2grid -と3つの公開されたMLサロゲートを含む — を対象とする9つの物理ベースのベンチマークを構築し、14から70万のバスから15のグリッドにわたって、独立に実装されたKCL-mismatchチェックで評価した。 PFタスク自体において、十分に並列化されたCPUソルバまたはgpusim2gridは、我々のテストするMLサロゲートのスループットと、桁違いの精度を維持しながら一致し、これらのGNNスタイルのサロゲートがPFに対してまだ競合する証拠は見つからない。 この発見以外にも、https://github.com/Grid2op/gpusim2gridでリリースされたベンチマークスイート、コード、参照評価ツールが、バッチGPUベースのPFソルバをオープンソースにすることはめったになく、共通のベースラインに対して評価されることを願っている。

関連論文リスト

• CusADi2: Latency-Optimized Batch Computation of Robot Kinematics, Jacobians, and Hessians on the GPU [45.82833767588122]
  CusADi2は、各バッチインスタンス内の計算を並列化することで、バッチ評価のレイテンシを低減するライブラリである。 MuJoCo Meagerieの67個のロボットについて,前方運動学,ジャコビアン,ヘッセンのベンチマークを行った。
  論文  参考訳（メタデータ） (2026-10-18T19:03:28Z)
• 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)
• GPU-Initiated Discrete Simulated Bifurcation: Low-Latency Requests and Streaming Dense Couplings [0.13537117504260623]
  GPUベースの最適化では,頻繁な要求の調整と,デバイスメモリを越える高密度モデルの提供という,2つの通信ボトルネックに直面している。 本稿では,NVIDIA DOCA GPUNetIOによる個別のシミュレーション分岐アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-10-05T16:20:06Z)
• SparseDitto: Customizing GPU Kernels for Different Sparsity Patterns with LLM-Based Agentic System [45.52961410486319]
  本稿では,各行列,演算子,ターゲットGPU用のGPUカーネルを構築するLLMベースのシステムであるSparseDittoを提案する。 SparseDittoは、統一設計フレームワークでSpMV、SpMM、SpGEMMをサポートする。 生成されたSpMMカーネルは、最大3.39倍のフルバッチGCNトレーニングを加速する。
  論文  参考訳（メタデータ） (2026-08-05T16:41:03Z)
• 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)
• Think in Parallel, Answer as One: Logit Averaging for Open-Ended Reasoning [102.13989674248116]
  ThinkMergeは、トレーニング不要でプラグ&プレイのデコード戦略だ。 並列推論トレースをKで実行し、同期点における次のTokenロジットを平均化し、単一のコヒーレントな出力を生成する。
  論文  参考訳（メタデータ） (2025-12-02T15:35:31Z)
• PLSSVM: A (multi-)GPGPU-accelerated Least Squares Support Vector Machine [68.8204255655161]
  Support Vector Machines (SVM) は機械学習で広く使われている。 しかし、現代的で最適化された実装でさえ、最先端ハードウェア上の大きな非自明な高密度データセットにはうまくスケールしない。 PLSSVMはLVMのドロップイン代替として使用できる。
  論文  参考訳（メタデータ） (2022-02-25T13:24:23Z)
• Hybrid Models for Learning to Branch [81.93868699246214]
  我々はCPUマシン上で効率的な分岐を行うための新しいハイブリッドアーキテクチャを提案する。 提案アーキテクチャは,GNNの表現力と分岐処理のための計算コストの低い多層パーセプトロン(MLP)を組み合わせる。
  論文  参考訳（メタデータ） (2020-06-26T21:03:45Z)
• Heterogeneous CPU+GPU Stochastic Gradient Descent Algorithms [1.3249453757295084]
  ヘテロジニアスCPU+GPUアーキテクチャの深層学習のためのトレーニングアルゴリズムについて検討する。 私たちの2倍の目標 -- 収束率と資源利用を同時に最大化する -- は、この問題を難しくします。 これらのアルゴリズムの実装は,複数の実データセットよりも高速な収束と資源利用の両立を実現していることを示す。
  論文  参考訳（メタデータ） (2020-04-19T05:21:20Z)
• 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。