extropic-ai/thrml

解决的问题

THRML 旨在使概率图模型（PGM）的构建和采样更加高效。它特别针对在稀疏异构图上实现高性能采样的困难，为研究人员提供桥梁，使其能够原型化最终可在专用节能硬件上运行的模型。

工作原理

THRML 作为 JAX 库构建，将基于因子的交互编译为紧凑的全局状态表示。这种方法最大限度地减少了 Python 循环，并利用 JAX 的数组级并行性，加速 GPU 上的块吉布斯采样和基于能量的模型（EBM）。

适用人群

适用于从事概率图模型、基于能量的模型以及探索硬件加速采样的研究人员和开发者。

主要亮点

• 块吉布斯采样：专为概率图模型优化。
• JAX 驱动：利用 GPU 加速和数组级并行性。
• 灵活的节点状态：支持任意 PyTree 节点状态和异构图模型。
• 硬件就绪：提供软件环境，用于为未来来自 Extropic 的节能采样硬件进行原型设计。