論文の概要: The Energy Impact of Domain Model Design in Classical Planning

• arxiv url: http://arxiv.org/abs/2601.21967v1
• Date: Thu, 29 Jan 2026 16:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.006937
• Title: The Energy Impact of Domain Model Design in Classical Planning
• Title（参考訳）: 古典的計画におけるドメインモデル設計のエネルギー的影響
• Authors: Ilche Georgievski, Serhat Tekin, Marco Aiello,
• Abstract要約: ドメインモデルの特徴が古典的プランナーのエネルギー消費に与える影響について検討する。 本稿では、要素順序付け、アクションアリティ、デッドエンド状態など、機能の制御可能なドメインモデル構成フレームワークを提案する。 その結果、ドメインレベルの変更はプランナー間で測定可能なエネルギー差をもたらすことが示され、エネルギー消費は実行時と常に関連しているとは限らない。
• 参考スコア（独自算出の注目度）: 1.745999685643649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI research has traditionally prioritised algorithmic performance, such as optimising accuracy in machine learning or runtime in automated planning. The emerging paradigm of Green AI challenges this by recognising energy consumption as a critical performance dimension. Despite the high computational demands of automated planning, its energy efficiency has received little attention. This gap is particularly salient given the modular planning structure, in which domain models are specified independently of algorithms. On the other hand, this separation also enables systematic analysis of energy usage through domain model design. We empirically investigate how domain model characteristics affect the energy consumption of classical planners. We introduce a domain model configuration framework that enables controlled variation of features, such as element ordering, action arity, and dead-end states. Using five benchmark domains and five state-of-the-art planners, we analyse energy and runtime impacts across 32 domain variants per benchmark. Results demonstrate that domain-level modifications produce measurable energy differences across planners, with energy consumption not always correlating with runtime.
• Abstract（参考訳）: AI研究は伝統的に、機械学習の精度の最適化や自動計画のランタイムなど、アルゴリズムのパフォーマンスを優先してきた。 Green AIの新たなパラダイムは、エネルギー消費を重要なパフォーマンスの次元として認識することで、この問題に対処している。 自動化計画の高い計算要求にもかかわらず、そのエネルギー効率はほとんど注目されていない。 このギャップは、アルゴリズムとは独立してドメインモデルが指定されるモジュラー計画構造を考えると、特に顕著である。 一方, この分離により, ドメインモデル設計によるエネルギー利用の系統的分析が可能となる。 ドメインモデルの特徴が古典的プランナーのエネルギー消費に与える影響を実証的に検討する。 本稿では,要素の順序付け,アクションアリティ,デッドエンド状態など,機能の制御可能なドメインモデル構成フレームワークを提案する。 5つのベンチマークドメインと5つの最先端プランナーを使用して、ベンチマーク毎に32のドメイン変種にわたるエネルギーとランタイムの影響を分析します。 その結果、ドメインレベルの変更はプランナー間で測定可能なエネルギー差をもたらすことが示され、エネルギー消費は実行時と常に関連しているとは限らない。

関連論文リスト

• Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
  本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。 提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。 この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
  論文  参考訳（メタデータ） (2025-11-21T08:12:47Z)
• Evaluating End-User Device Energy Models in Sustainability Reporting of Browser-Based Web Services [0.0]
  ウェブベースのサービスのサステナビリティレポートは、単純化されたエネルギーと炭素モデルに依存している。 本稿では,そのようなモデルが実際のエネルギー消費をいかに反映しているかを実証研究する。 その結果, 一般に適用されている定電力近似は, 測定エネルギーから大きく逸脱する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-10-14T14:25:26Z)
• Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
  エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。 本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
  論文  参考訳（メタデータ） (2025-05-31T16:38:29Z)
• Reinforced Reasoning for Embodied Planning [18.40186665383579]
  身体的計画では、エージェントは動的視覚観察と自然言語の目標に基づいて、一貫性のある多段階決定を行う必要がある。 具体的計画にR1スタイルの推論強化をもたらす強化微調整フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-28T07:21:37Z)
• Energy Considerations of Large Language Model Inference and Efficiency Optimizations [28.55549828393871]
  大規模言語モデル(LLM)の規模と採用が拡大するにつれて、その計算と環境コストは上昇し続けている。 多様なNLPおよびAIワークロードにまたがる共通推論効率最適化のエネルギー含意を系統的に分析する。 本研究により, 推定効率最適化の適切な適用により, 最適化されていないベースラインから最大73%のエネルギー使用量を削減できることが判明した。
  論文  参考訳（メタデータ） (2025-04-24T15:45:05Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
  我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。 我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。 その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)

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。