MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017162955
■00520250211152116
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384340713
■035    ▼a(MiAaPQ)AAI31460310
■035    ▼a(MiAaPQ)Stanfordkx590cv4574
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aBrown,  Robin  Alexandra.
■24510▼aExploring  Hybrid  Algorithms  and  Optimization  Strategies  in  Non-Conventional  Computing  Architectures.
■260    ▼a[S.l.]▼bStanford  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a158  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Pavone,  Marco.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aThe  relentless  increase  in  computing  workloads  coupled  with  the  potential  slowdown  of  Moore's  law  has  spurred  the  development  of  both  non-conventional  computing  architectures  and  algorithms  that  make  use  of  these  novel  architectures.  This  research  is  primarily  conducted  by  disjoint  communities  that  rely  heavily  on  algorithmic  "primitives"  to  abstract  away  the  intricacies  of  the  other's  work,  and  to  serve  as  a  buffer  between  them  to  enable  concurrent  development.  As  additional  research  builds  on  existing  primitives,  it  creates  a  feedback  cycle  where  those  primitives  become  increasingly  entrenched,  creating  further  justification  for  continuing  to  work  with  them.  This  is  particularly  problematic  because  it  is  unclear  whether  the  small  number  of  primitives  that  dominate  the  literature  today  were  deliberately  designed  with  real-world  applications  in  mind.  More  broadly,  we  advocate  for  taking  a  holistic  view  of  hardware,  algorithm  and  abstraction  interactions,  with  the  goal  of  promoting  primitives  that  appropriately  balance  ease  of  hardware  implementation  with  impact  of  downstream  applications.In  this  thesis,  we  primarily  focus  on  the  interaction  between  algorithms  and  the  Ising  abstraction,  with  the  objective  of  deriving  complexity  metrics  that  quantify  their  "fit".  To  do  so,  we  will  begin  by  introducing  copositive  and  completely-positive  optimization  as  a  bridge  between  convex  and  non-convex  optimization.  We  find  that  this  is  a  helpful  lens  for  complexity  analysis  of  hybrid  algorithms  because  it  allows  for  convex  optimization  algorithms  to  be  applied  to  some  of  the  non-convex  problems  that  we  hope  to  address  with  non-conventional  computing.We  will  examine  neural  network  verification  as  an  illustrative  example  to  develop  geometric  intuition  for  how  copositive/completely  positive  optimization  can  exactly  represent  mixed-binary  quadratic  programs,  while  closely  related  semi-definite  programs  result  in  relaxation  gaps.  While  the  completely  positive  representation  of  neural  network  verification  is  intractable,  it  is  useful  in  its  own  right  due  to  its  similarity  to  semi-definite  programming  (SDP).  This  perspective  offers  insights  for  how  to  construct  tighter  SDP-based  relaxations  for  verification  and  unifies  existing  SDP-based  verification  methods.With  this  intuition  in  place,  we  will  then  present  our  hybrid  Ising-classical  cutting-plane  algorithm  for  copositive  optimization.  We  will  examine  the  algorithm's  convergence  guarantees,  which  it  notably  inherits  directly  from  existing  analysis  of  convex  optimization  algorithms.  Concluding  this  section,  we  leverage  our  proposed  methodology  to  justify  revising  the  Ising  abstraction.Finally,  we  turn  our  attention  to  the  Coherent  Ising  Machine  as  an  example  of  hardware  whose  native  physics  is  more  closely  aligned  with  the  modified  Ising  abstraction  --  this  variant  of  the  CIM  is  referred  to  as  the  Continuous-Variable  Coherent  Ising  Machine  (CV-CIM).  We  will  show  how  existing  optimization  techniques,  such  as  momentum  and  Adam,  can  be  readily  incorporated  into  the  CV-CIM.  These  modifications  allow  the  device  to  inherit  many  of  the  favorable  properties  of  these  algorithms,  including  accelerated  convergence,  superior  navigation  of  non-convex  landscapes,  and  robustness  to  parameter  tuning.
■590    ▼aSchool  code:  0212.
■650  4▼aQuantum  computing.
■650  4▼aSample  size.
■650  4▼aInteger  programming.
■650  4▼aComputers.
■650  4▼aGraphs.
■650  4▼aNeural  networks.
■650  4▼aPlot  (Narrative).
■650  4▼aConvex  analysis.
■650  4▼aDesign.
■650  4▼aComplexity  theory.
■650  4▼aOptimization  algorithms.
■650  4▼aGeometry.
■650  4▼aComputer  science.
■650  4▼aMathematics.
■690    ▼a0389
■690    ▼a0800
■690    ▼a0984
■690    ▼a0405
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162955▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서