論文の概要: Energy Flow Graph: Modeling Software Energy Consumption

• arxiv url: http://arxiv.org/abs/2603.17162v1
• Date: Tue, 17 Mar 2026 21:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.408765
• Title: Energy Flow Graph: Modeling Software Energy Consumption
• Title（参考訳）: エネルギーフローグラフ:ソフトウェアエネルギー消費のモデル化
• Authors: Saurabhsingh Rajput, Tushar Sharma,
• Abstract要約: エネルギーフローグラフ(Energy Flow Graph, EFG)は、計算過程を状態遷移系として表わす形式モデルである。 EFGは、エネルギー最適実行パスの静的解析を含む、ソフトウェア工学における様々なアプリケーションを可能にする。 AIパイプラインでは、カスケードモデルは5.1%の誤差で最適化の組み合わせを予測する。
• 参考スコア（独自算出の注目度）: 2.3228733137875524
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The growing energy demands of computational systems necessitate a fundamental shift from performance-centric design to one that treats energy consumption as one of the primary design considerations. Current approaches treat energy consumption as an aggregate, deterministic property, overlooking the path-dependent nature of computation, where different execution paths through the same software consume dramatically different energy. We introduce the Energy Flow Graph (EFG), a formal model that represents computational processes as state-transition systems with energy costs for both states and transitions. EFG enables various applications in software engineering, including static analysis of energy-optimal execution paths and a multiplicative cascade model that predicts combined optimization effects without exhaustive testing. Our early experiments demonstrate EFG's versatility across domains: in software programs validated through 3.5 million executions, 15.6% of solutions exhibit high path-dependent variance (CV $>$ 0.1), while structural optimization reveals up to 705$\times$ energy reduction. In AI pipelines, the cascade model predicts optimization combinations within 5.1% error, enabling selection from 4.2 million possibilities using only 22 measurements. The EFG transforms energy optimization from trial-and-error to systematic analysis, providing a foundation for green software engineering across computational domains.
• Abstract（参考訳）: 計算システムのエネルギー需要の増加は、性能中心の設計からエネルギー消費を主要な設計上の考慮事項として扱うものへの根本的なシフトを必要としている。 現在のアプローチでは、エネルギー消費を集約的な決定論的性質として扱い、同じソフトウェアを通して異なる実行経路が劇的に異なるエネルギーを消費する計算の経路依存性を見渡す。 本稿では,計算過程を状態遷移系として表わす形式モデルであるEnergy Flow Graph(EFG)を紹介する。 EFGは、エネルギー最適実行経路の静的解析や、総合的なテストなしで組み合わせた最適化効果を予測する乗算カスケードモデルなど、ソフトウェア工学における様々な応用を可能にする。 初期の実験では、EFGのドメイン間の汎用性を実証しており、350万の実行で検証されたソフトウェアプログラムでは、15.6%のソリューションが高いパス依存分散(CV$>0.1)を示しており、構造最適化では705$\times$ Energy reductionが示される。 AIパイプラインでは、カスケードモデルは5.1%の誤差で最適化の組み合わせを予測する。 EFGは、エネルギー最適化を試行錯誤から系統解析に変換し、計算領域をまたいだグリーンソフトウェア工学の基礎を提供する。

関連論文リスト

• Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
  AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。 モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
  論文  参考訳（メタデータ） (2026-02-05T14:38:19Z)
• The Energy Impact of Domain Model Design in Classical Planning [1.745999685643649]
  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。
  論文  参考訳（メタデータ） (2026-01-29T16:46:43Z)
• 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)
• EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
  大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。 ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。 本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:00:13Z)
• Tu(r)ning AI Green: Exploring Energy Efficiency Cascading with Orthogonal Optimizations [2.829284162137884]
  本稿では, エネルギー効率を第一級市民として, 計算集約パイプラインの基本設計として扱うことを強調する。 5つのAIパイプラインフェーズ(データ、モデル、トレーニング、システム、推論)の戦略的選択によって、カスケード効率が向上することを示す。 組み合わせによってエネルギー消費は94.6ドル%まで減少し、最適化されていないパイプラインの元々のF1スコアの95.95ドル%を維持できる。
  論文  参考訳（メタデータ） (2025-06-23T04:52:08Z)
• The ML.ENERGY Benchmark: Toward Automated Inference Energy Measurement and Optimization [24.32172951691564]
  エネルギーは、しばしば見落とされ、探索されていない、あるいはMLシステム構築の文脈でよく理解されていない指標である。 本稿では,現実的なサービス環境下での推論エネルギー消費を測定するためのベンチマークスイートとツールであるML$.$ENERGY Benchmarkを紹介する。
  論文  参考訳（メタデータ） (2025-05-09T18:27:32Z)
• 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)
• Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
  文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。 この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。 標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
  論文  参考訳（メタデータ） (2022-10-14T20:19:32Z)
• Learning Implicit Priors for Motion Optimization [105.11889448885226]
  エネルギーベースモデル(EBM)は、表現力のある確率密度分布を表す。 本稿では,EMMを動作最適化に適用するために必要となるモデリングとアルゴリズムの選択について述べる。
  論文  参考訳（メタデータ） (2022-04-11T19:14:54Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。