論文の概要: Calculating Software's Energy Use and Carbon Emissions: A Survey of the State of Art, Challenges, and the Way Ahead
- arxiv url: http://arxiv.org/abs/2506.09683v1
- Date: Wed, 11 Jun 2025 13:02:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 06:35:02.974362
- Title: Calculating Software's Energy Use and Carbon Emissions: A Survey of the State of Art, Challenges, and the Way Ahead
- Title（参考訳）: ソフトウェアにおけるエネルギー使用量と二酸化炭素排出量の計算--技術の現状と課題, その先へ向けて
- Authors: Priyavanshi Pathania, Nikhil Bamby, Rohit Mehra, Samarth Sikand, Vibhu Saujanya Sharma, Vikrant Kaulgud, Sanjay Podder, Adam P. Burden,
- Abstract要約: ソフトウェアとAIの普及には、その成長するエネルギーと炭素フットプリントという、隠れたリスクが伴う。
ソフトウェアおよびAI関連エネルギーおよび/または二酸化炭素排出量の測定を可能にする方法とツールについて、最先端のレビューを行う。
- 参考スコア（独自算出の注目度）: 8.377809633825196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The proliferation of software and AI comes with a hidden risk: its growing energy and carbon footprint. As concerns regarding environmental sustainability come to the forefront, understanding and optimizing how software impacts the environment becomes paramount. In this paper, we present a state-of-the-art review of methods and tools that enable the measurement of software and AI-related energy and/or carbon emissions. We introduce a taxonomy to categorize the existing work as Monitoring, Estimation, or Black-Box approaches. We delve deeper into the tools and compare them across different dimensions and granularity - for example, whether their measurement encompasses energy and carbon emissions and the components considered (like CPU, GPU, RAM, etc.). We present our observations on the practical use (component wise consolidation of approaches) as well as the challenges that we have identified across the current state-of-the-art. As we start an initiative to address these challenges, we emphasize active collaboration across the community in this important field.
- Abstract（参考訳）: ソフトウェアとAIの普及には、その成長するエネルギーと炭素フットプリントという、隠れたリスクが伴う。
環境の持続可能性に関する懸念が最前線に現れるにつれて、ソフトウェアが環境に与える影響の理解と最適化が最重要となる。
本稿では,ソフトウェアおよびAI関連エネルギーおよび/または二酸化炭素排出量の測定を可能にする手法とツールについて,現状のレビューを行う。
我々は、既存の作業を監視、推定、ブラックボックスのアプローチに分類するために分類を導入します。
ツールを深く掘り下げて、さまざまなディメンジョンと粒度で比較します - 例えば、その測定がエネルギーや炭素排出量や考慮されるコンポーネント(CPU、GPU、RAMなど)を含んでいるかどうかです。
本報告では, 実践的利用(アプローチの賢明な統合)と, 現状にまたがる課題について述べる。
これらの課題に対処するイニシアチブを始めると、この重要な分野において、コミュニティ全体で活発なコラボレーションを強調します。
関連論文リスト
- Breaking the ICE: Exploring promises and challenges of benchmarks for Inference Carbon & Energy estimation for LLMs [8.377809633825196]
本稿では, 現状のアプローチの課題について論じるとともに, 炭素排出量を推定するフレームワークであるR-ICEについて述べる。
我々の有望な検証結果は、ベンチマークベースのモデリングが推定放射推定に大きな可能性を秘めていることを示唆している。
論文 参考訳（メタデータ） (2025-06-10T12:23:02Z) - A Beginner's Guide to Power and Energy Measurement and Estimation for Computing and Machine Learning [0.5224038339798622]
本稿では,エネルギー測定ツールの音質化に要する主な考察を紹介する。
これには、オン・ザ・ウォールとオン・デバイスの測定、サンプリング戦略とベストプラクティス、一般的なエラー源、プロキシ測定などが含まれる。
測定手法の現状を改善するための行動を呼び掛けて締めくくっている。
論文 参考訳（メタデータ） (2024-12-11T19:00:00Z) - Carbon-Efficient Software Design and Development: A Systematic Literature Review [1.6071754144962787]
我々は,カーボン効率のソフトウェアを設計・開発するための最先端の提案について,体系的な文献レビューを行う。
我々は,炭素効率のソフトウェア設計と開発に関する5W1Hの疑問に答えることを目的とした分類法により,65の初等研究を同定し,分析する。
論文 参考訳（メタデータ） (2024-07-29T11:24:11Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Sustainable AI: Environmental Implications, Challenges and Opportunities [13.089123643565724]
我々は、産業規模の機械学習ユースケースにおけるモデル開発サイクルを調べることで、AIコンピューティングの炭素フットプリントを特徴づける。
ハードウェア・ソフトウェア設計と大規模最適化がAIのカーボンフットプリント全体の削減にどのように役立つのかを、エンドツーエンドで分析する。
論文 参考訳（メタデータ） (2021-10-30T23:36:10Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。