日次キュレーション 2026-7-19

ExaGEMM は CPU ネイティブな低ビット GEMM（行列乗算）実行のための共設計・探索フレームワーク。既存 SIMD データパスで表生成と蓄積をカバーし、新たに必要なハードウェアはレジスタ内の選択・フィード機構のみ。解析モデルを用いて 99.2% の候補空間を削減してから シミュレーション実施。ISA 仕様、gem5 パッチ、GEMM カーネルを生成し、代表的な ML モデルと CPU ターゲット全体で、ソフトウェアのみのベースラインに対し 13.29 倍のレイテンシ改善を達成。

ExaGEMM は 1/2/4 ビット重みなどの低ビット GEMM を CPU 上で効率的に実行するためのフレームワーク。既存 SIMD 回路を活用し、レジスタ内選択機構のみを追加。解析モデルで候補を 99.2% 削減し、ISA 仕様とカーネルを自動生成。実装により、ソフトウェア比で 13.29 倍のレイテンシ改善を実現。

CPU 上で低ビット行列演算を高速化するフレームワーク ExaGEMM を提案。既存回路を活用し最小限のハードウェア追加で実装。ソフトウェアのみの場合と比べ 13.29 倍高速化。

CoreForgeプロジェクトは、ChatGPTとCodexを用いてMaxSAT solverを研究論文から直接実装する可能性を調査した。unsatisfiability-based MaxSAT algorithmsに焦点し、論文検討とLLM実装、反復的な監査と修正のワークフローを採用。core-guided optimization、前処理、core最小化、整数線型最適化backend統合、新たなcore-sequence lookahead手法を組み合わせた。ファジング・MaxSAT評価で誤答は検出されず、但し性能は一流のハンドメイドsolverに及ばない。LLMはsolver実装を補助可能だが、外部検証・ベンチマーク・人的指導が不可欠。

LLMを用いて研究論文からMaxSAT solverを構築するプロジェクト「CoreForge」の報告。ChatGPTとCodexで実装し、複数のアルゴリズムと最適化手法を組み合わせた。テストで誤答は検出されず、性能は既存の手書きsolverには劣るが、LLMが solver開発を補助できる可能性を示唆。

LLMが研究論文からMaxSAT solverを実装できるか検証したプロジェクト。実装は可能だが性能は既存solverに劣り、人的検証が必須。

本論文は、ブラジルの学校センサスおよび基礎教育評価システム（Saeb）のデータを用いて、学校のタイプ分類と教育成果の因果関係を調査している。データ前処理・正規化後、階層クラスタリングにより構造的プロファイルが類似する学校グループを抽出し、その後因果分析手法を適用して学校特性と教育成果の因果関係を検証した。結果として、異なる学校プロファイルの存在と群間の平均成果の統計的有意差が明らかになり、学校の有効性に関連する構造的・文脈的要因についての知見が得られた。

この研究は、ブラジルの学校データ（学校センサスおよびSaeb）を対象に、階層クラスタリングと因果分析を用いて学校の特性パターンを特定し、教育成果との関連を調べました。複数の異なる学校プロファイルが識別され、その間に統計的に有意な成果の差異が確認されました。

ブラジルの公立学校データを階層クラスタリングと因果分析で分析し、学校の特性パターンと教育成果の関係を調査した研究。異なる学校タイプごとに成果に有意な差が見られました。