論文の概要: The Environmental Impacts of Machine Learning Training Keep Rising Evidencing Rebound Effect

• arxiv url: http://arxiv.org/abs/2510.09022v1
• Date: Fri, 10 Oct 2025 05:49:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.195032
• Title: The Environmental Impacts of Machine Learning Training Keep Rising Evidencing Rebound Effect
• Title（参考訳）: 機械学習学習におけるリバウンド効果の実証と環境影響
• Authors: Clément Morand, Anne-Laure Ligozat, Aurélie Névéol,
• Abstract要約: 過去10年間の著名なAIシステムのトレーニングに関連する環境影響を推定する。 まず、この期間にグラフィクスカードの生産が着実に増加したこと。 ハードウェアの影響は、影響のシフトを避けるために、唯一の使用フェーズではなく、ライフサイクル全体を通して考慮する必要がある。
• 参考スコア（独自算出の注目度）: 3.255583064724235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent Machine Learning (ML) approaches have shown increased performance on benchmarks but at the cost of escalating computational demands. Hardware, algorithmic and carbon optimizations have been proposed to curb energy consumption and environmental impacts. Can these strategies lead to sustainable ML model training? Here, we estimate the environmental impacts associated with training notable AI systems over the last decade, including Large Language Models, with a focus on the life cycle of graphics cards. Our analysis reveals two critical trends: First, the impacts of graphics cards production have increased steadily over this period; Second, energy consumption and environmental impacts associated with training ML models have increased exponentially, even when considering reduction strategies such as location shifting to places with less carbon intensive electricity mixes. Optimization strategies do not mitigate the impacts induced by model training, evidencing rebound effect. We show that the impacts of hardware must be considered over the entire life cycle rather than the sole use phase in order to avoid impact shifting. Our study demonstrates that increasing efficiency alone cannot ensure sustainability in ML. Mitigating the environmental impact of AI also requires reducing AI activities and questioning the scale and frequency of resource-intensive training.
• Abstract（参考訳）: 最近の機械学習(ML)アプローチでは、ベンチマークのパフォーマンスが向上しているが、計算要求をエスカレートするコストが高い。 エネルギー消費と環境への影響を抑制するため、ハードウェア、アルゴリズムおよび炭素最適化が提案されている。 これらの戦略は、持続可能なMLモデルのトレーニングにつながるか? ここでは、グラフィックカードのライフサイクルに焦点をあて、大規模言語モデルを含む、過去10年間の著名なAIシステムのトレーニングに関連する環境影響を推定する。 第2に, トレーニングMLモデルに関連するエネルギー消費と環境への影響は, 炭素濃度の低い場所への移動などの削減戦略を考慮しても, 指数関数的に増大している。 最適化戦略は、モデルトレーニングによって引き起こされる影響を軽減せず、リバウンド効果を生じさせる。 ハードウェアの影響は、影響のシフトを避けるために、唯一の使用フェーズではなく、ライフサイクル全体を通して考慮する必要がある。 本研究は,効率の向上だけではMLの持続可能性を保証することができないことを示す。 AIの環境への影響を緩和するためには、AI活動の削減や、リソース集約トレーニングの規模と頻度の疑問も必要である。

関連論文リスト

• How Green Can AI Be? A Study of Trends in Machine Learning Environmental Impacts [2.640490842167383]
  最適化戦略は、AIに関連するエネルギー消費と環境への影響を減らすことを目的としている。 本稿では,個々のグラフィクスカードの生産への影響と,機械学習(ML)モデルの学習に伴う環境への影響について検討する。
  論文  参考訳（メタデータ） (2024-12-23T08:24:44Z)
• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• Modeling of New Energy Vehicles' Impact on Urban Ecology Focusing on Behavior [0.0]
  新たなエネルギー車両の需要の急増は、エネルギーの保存、排出の削減、生態環境の強化によって引き起こされる。 新しいエネルギー車両の行動分析と鉱業利用パターンを特定できる。 新しいエネルギー車両と環境との相互作用をシミュレートするための環境計算モデリング手法が提案されている。
  論文  参考訳（メタデータ） (2024-06-06T14:03:52Z)
• Revisiting Plasticity in Visual Reinforcement Learning: Data, Modules and Training Stages [56.98243487769916]
  ニューラルネットワークが新しいデータで進化する能力である塑性は、高性能でサンプル効率のよい視覚強化学習に不可欠である。 本稿では,批評家の可塑性レベルに基づいてリプレイ率を動的に調整するAdaptive RRを提案する。
  論文  参考訳（メタデータ） (2023-10-11T12:05:34Z)
• Estimating Deep Learning energy consumption based on model architecture and training environment [5.465797591588829]
  モデルアーキテクチャと学習環境がエネルギー消費に与える影響について検討する。 適切なモデル学習環境の組み合わせを選択することで、トレーニングのエネルギー消費を最大80.68%削減できることがわかった。 本稿では,STEP(Stable Training Epoch Projection)とPRE(Pre-Treging Regression-based Estimation)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-07T12:07:59Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• PLASTIC: Improving Input and Label Plasticity for Sample Efficient Reinforcement Learning [54.409634256153154]
  強化学習(RL)では, サンプル効率の向上が重要である。 原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。 本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
  論文  参考訳（メタデータ） (2023-06-19T06:14:51Z)

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。