性能か分散対応か――レイアウト抽象

TL;DR（結論）

• 提案の中心はAxe Layoutです。
• 論文はこれを「論理テンソルの座標を、名前付きの軸を介して多軸の物理空間へ写像する、ハードウェアを意識した抽象」と説明しています。
• Axe Layoutは、古典的なshape–strideモデルを拡張する、と述べられています。

なぜこの問題か

深層学習のワークロードがスケールすると、データと計算を「どこに置くか」が性能を決めます。論文は、デバイスメッシュ、メモリ階層、そして異種アクセラレータをまたいだ“協調配置”が必要だ、と出発点を置きます。 ここで重要なのは、単に速い命令や速いメモリを使う話ではなく、配置そのものが計算の形を左右する、という見取り図です。

核心：何を提案したのか

提案の中心はAxe Layoutです。論文はこれを「論理テンソルの座標を、名前付きの軸を介して多軸の物理空間へ写像する、ハードウェアを意識した抽象」と説明しています。 ポイントは、論理（モデル側が自然に持つ添字）と物理（実際に走る場所やメモリの形）を、変換の“規則”として捉え直すところにあります。

続きはログイン/プランで閲覧できます。