Benjamin Hoover (ベンジャミン・フーバー) 氏らは2026年11月12日(現地時間)、学術論文公開サイトarXiv cs.AIを通じ、ホップフィールド・アンド・タンク (Hopfield & Tank) のエネルギーの学習版であるCRAMが、従来のループ型モデルに比べ、推論タスクにおいて最大1,000倍高速に動作することを発表した。CRAMはSudoku-Extremeで99.996%、Maze-Uniqueで100%の正答率を達成し、訓練時間もGPU 1基でわずか42ミリ秒および132ミリ秒だったとしている。

フーバー氏、Hugh Blayney (ヒュー・ブレイニー) 氏、James C. R. Whittington (ジェームズ・C・R・ウィッティントン) 氏らが発表した論文によると、ループ型モデルはSudoku-ExtremeやMaze-Uniqueといった単純な推論パズルで成果を上げてきたものの、不安定で訓練に時間がかかり、多くのパラメーターとFLOPsを消費するという課題を抱えている。

これに対し、エネルギー降下を利用する手法は、内蔵された早期停止機能、問題の難易度に応じて適応する計算能力、ソルバーを微分せずに高速な訓練、そしてパズルの制約を学習する解釈可能な重みといった利点を提供する。CRAMは、Sudoku-Extremeにおいてループ型モデルの最高精度と同等の結果を出しつつ、推論FLOPsを少なくとも282分の1に削減した。

研究成果は、データから推論を訓練する上でエネルギーの利用が非常に有望な方向性であること、そしてSudokuやMazeのように自明に解けるベンチマークをループ型推論技術のスケーラビリティをテストするために使うことへの注意喚起の二点を示唆している。


参考: arXiv cs.AI (アーカイブ) — 2026年11月13日 03:56 (JST)

原文ハイライト

"at least 1,000x faster than looped models on these tasks."

この記事をシェア
X はてブ LinkedIn