論文の概要: How Do Agentic AI Systems Deal With Software Energy Concerns? A Pull Request-Based Study
- arxiv url: http://arxiv.org/abs/2512.24636v1
- Date: Wed, 31 Dec 2025 05:13:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-01 23:27:28.579212
- Title: How Do Agentic AI Systems Deal With Software Energy Concerns? A Pull Request-Based Study
- Title（参考訳）: エージェントAIシステムはソフトウェアエネルギーをどう扱うか? : プルリクエストに基づく調査
- Authors: Tanjum Motin Mitul, Md. Masud Mazumder, Md Nahidul Islam Opu, Shaiful Chowdhury,
- Abstract要約: 公開されているデータセットを用いて,エージェント認可プルリクエスト(PR)のエネルギー意識について検討した。
216件の省エネPRを同定し,エネルギ対応作業の分類を導出した。
これらのエージェントの構築と実行は、非常にエネルギー集約的で励ましがたいが、ソフトウェアアーティファクトを生成する際には、エネルギー意識を示すことが示される。
- 参考スコア（独自算出の注目度）: 0.9099663022952497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As Software Engineering enters its new era (SE 3.0), AI coding agents increasingly automate software development workflows. However, it remains unclear how exactly these agents recognize and address software energy concerns-an issue growing in importance due to large-scale data centers, energy-hungry language models, and battery-constrained devices. In this paper, we examined the energy awareness of agent-authored pull requests (PRs) using a publicly available dataset. We identified 216 energy-explicit PRs and conducted a thematic analysis, deriving a taxonomy of energy-aware work. Our further analysis of the applied optimization techniques shows that most align with established research recommendations. Although building and running these agents is highly energy intensive, encouragingly, the results indicate that they exhibit energy awareness when generating software artifacts. However, optimization-related PRs are accepted less frequently than others, largely due to their negative impact on maintainability.
- Abstract（参考訳）: ソフトウェアエンジニアリングが新しい時代に入ると(SE 3.0)、AIコーディングエージェントはソフトウェア開発ワークフローをますます自動化する。
しかし、これらのエージェントが、大規模なデータセンター、エネルギー不足言語モデル、バッテリー制約のあるデバイスのために、ソフトウェアエネルギーの関心事をどのように認識し、対処するかは、まだ不明である。
本稿では,公開データセットを用いたエージェント認可プルリクエスト(PR)のエネルギー意識について検討した。
216件の省エネPRを同定し,エネルギ対応作業の分類を導出した。
応用最適化手法のさらなる分析は、ほとんどの場合、確立された研究レコメンデーションと一致していることを示している。
これらのエージェントの構築と実行は、非常にエネルギー集約的で励ましがたいが、ソフトウェアアーティファクトを生成する際には、エネルギー意識を示すことが示される。
しかし、最適化関連のPRは、保守性に負の影響があるため、他よりもあまり受け入れられない。
関連論文リスト
- How Do Agentic AI Systems Address Performance Optimizations? A BERTopic-Based Analysis of Pull Requests [1.423280626666929]
本稿では,AIエージェントが生成するパフォーマンス関連プルリクエストについて実証的研究を行う。
この結果から,AIエージェントはソフトウェアスタックの様々な層に性能最適化を適用することがわかった。
論文 参考訳（メタデータ） (2025-12-31T05:06:25Z) - Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - AIMeter: Measuring, Analyzing, and Visualizing Energy and Carbon Footprint of AI Workloads [7.7878942091873755]
AIMeterは、AIワークロード全体でのエネルギー使用、電力引き込み、ハードウェアパフォーマンス、二酸化炭素排出量の測定、分析、可視化のための包括的なソフトウェアツールキットである。
既存のAIフレームワークとシームレスに統合することにより、AIMeterは標準化されたレポートを提供し、詳細な時系列データをエクスポートする。
さらに、ハードウェアメトリクスとモデルパフォーマンスの詳細な相関分析を可能にし、ボトルネック識別とパフォーマンス向上を容易にする。
論文 参考訳（メタデータ） (2025-06-25T15:24:45Z) - Unveiling the Energy Vampires: A Methodology for Debugging Software Energy Consumption [5.602876058122268]
本稿では,ソフトウェアシステムにおけるエネルギー消費ホットスポットの同定と分離のためのエネルギーデバッグ手法を提案する。
分析の結果,AlpineディストリビューションとUbuntuディストリビューションのエネルギー消費の相違が明らかとなった。
我々は,memcpyの分離とベンチマークにより,エネルギー差の主な原因として確認した。
論文 参考訳（メタデータ） (2024-12-13T11:49:19Z) - Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳（メタデータ） (2024-11-01T14:27:16Z) - Present and Future of AI in Renewable Energy Domain : A Comprehensive Survey [0.0]
人工知能(AI)は、様々な産業におけるプロセスを合理化するための重要な手段となっている。
現代の電力システムの再生可能エネルギー(RE)を支援するため、9つのAIベースの戦略がここで特定されている。
この研究は、再生可能エネルギー生成にAI技術を使用すること、再生可能エネルギー予測にAIを活用すること、エネルギーシステムの最適化という3つの主要なトピックについても論じている。
論文 参考訳（メタデータ） (2024-06-22T04:36:09Z) - Green Edge AI: A Contemporary Survey [46.11332733210337]
AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。
ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。
その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
論文 参考訳（メタデータ） (2023-12-01T04:04:37Z) - Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。
このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。
我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
論文 参考訳（メタデータ） (2023-11-16T01:21:33Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳（メタデータ） (2023-04-10T15:38:12Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z)
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。