論文の概要: CodeGreen: Towards Improving Precision and Portability in Software Energy Measurement
- arxiv url: http://arxiv.org/abs/2603.17924v1
- Date: Wed, 18 Mar 2026 17:01:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.837303
- Title: CodeGreen: Towards Improving Precision and Portability in Software Energy Measurement
- Title（参考訳）: CodeGreen: ソフトウェアのエネルギー測定における精度とポータビリティ向上を目指す
- Abstract要約: 計測からインスツルメンテーションを分離するモジュール式エネルギー測定プラットフォームであるCodeGreenを紹介する。
ハードウェアセンサを独立してポーリングするNative Energy Measurement Backend (NEMB)を実装した。
CodeGreenは、Tree-sitter ASTクエリを活用して、Python、C++、C、Javaにまたがる自動インスツルメンテーションを実現している。
- 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: Accurate software energy measurement is critical for optimizing energy, yet existing profilers force a trade-off between measurement accuracy and overhead due to tight coupling with supported specific hardware or languages. We present CodeGreen, a modular energy measurement platform that decouples instrumentation from measurement via an asynchronous producer-consumer architecture. We implement a Native Energy Measurement Backend (NEMB) that polls hardware sensors (Intel RAPL, NVIDIA NVML, AMD ROCm) independently, while lightweight timestamp markers enable tunable granularity. CodeGreen leverages Tree-sitter AST queries for automated instrumentation across Python, C++, C, and Java, with straightforward extension to any Tree-sitter-supported grammar, enabling developers to target specific scopes (loops, methods, classes) without manual intervention. Validation against "Computer Language Benchmarks Game" demonstrates $R^2 = 0.9934$ correlation with RAPL ground truth and $R^2 = 0.9997$ energy-workload linearity. By bridging fine-grained measurement precision with cross-platform portability, CodeGreen enables practical algorithmic energy optimization across heterogeneous environments. Source code, video demonstration, and documentation for the tool are publicly available at: https://smart-dal.github.io/codegreen/.
- Abstract（参考訳）: 正確なソフトウェアエネルギー測定はエネルギーを最適化するために重要であるが、既存のプロファイラは特定のハードウェアや言語との密結合により測定精度とオーバーヘッドのトレードオフを強いる。
非同期プロデューサ・コンシューマーアーキテクチャを用いて計測から計測を分離するモジュール式エネルギー測定プラットフォームであるCodeGreenを提案する。
我々は、ハードウェアセンサ(Intel RAPL、NVIDIA NVML、AMD ROCm)を独立にポーリングするNative Energy Measurement Backend (NEMB)を実装し、軽量なタイムスタンプマーカーは調整可能な粒度を実現する。
CodeGreenは、Python、C++、C、Java間の自動インスツルメンテーションにTree-sitter ASTクエリを活用し、Tree-sitterをサポートする文法を直接拡張することで、開発者は手動で介入することなく特定のスコープ(ループ、メソッド、クラス)をターゲットにすることができる。
コンピュータ言語ベンチマークゲーム」に対する検証では、$R^2 = 0.9934$ と RAPL 基底真理および$R^2 = 0.9997$ エネルギー-ワークロード線形性との相関が示されている。
クロスプラットフォームのポータビリティできめ細かい測定精度をブリッジすることにより、CodeGreenは異種環境全体にわたって実用的なアルゴリズムによるエネルギー最適化を実現する。
ツールのソースコード、ビデオデモ、ドキュメントは、https://smart-dal.github.io/codegreen/.comで公開されている。
関連論文リスト
- A Measurement Study of LLM Inference Trade-offs Across Edge Continuum Hardware [0.14913052010438635]
大きな言語モデル(LLM)は、インテリジェントなWebサービスのバックエンドとしてますます使われています。
本稿では,エッジおよび近縁デプロイメントノード間での自己ホスト型LLM推論の制御された測定結果を提案する。
論文 参考訳（メタデータ） (2026-09-08T06:28:32Z) - From Tokens to Watt-hours: Analytical Energy Estimation for LLM Inference on Modern GPUs [6.041312734387813]
本報告では,NVIDIA H100級加速器の大規模言語モデル (LLM) 推定エネルギーを直接測定せずに推定するための,解析的,実験的に校正されたGPUレベルの手法を提案する。
提案手法は,FP16/BF16テンソルコア計算と高帯域幅メモリ動作のためのパラメータスケール変換器FLOP会計,メモリトラヒック係数,ハードウェア固有のエネルギー係数を組み合わせた。
この手法はさらに、総エネルギーを計算、パラメータアクセス、キー-値-キャッシュ書き込み、および注意-読み取りコンポーネントに分解し、モデルサイズ、コンテキスト長、生成トーケン数によるスケーリング動作を可能にする。
論文 参考訳（メタデータ） (2026-07-29T07:50:55Z) - ParBench: A Benchmark for Reliable Evaluation of LLM Parallel Code Translation [5.103450268268085]
本稿では,カーネル中心のベンチマークフレームワークであるParBenchについて述べる。
ParBenchは、宣言型ベンチマーク仕様を通じて、周囲のビルド、実行、検証インフラストラクチャを修正し、モデルにカーネルのみの翻訳を依頼する。
論文 参考訳（メタデータ） (2026-06-09T19:00:09Z) - Environment-Aware Code Generation: How far are We? [52.69113158357018]
大規模言語モデル(LLM)がユーザの特定の環境に適した実行可能コードを確実に生成できるかどうかは不明である。
本稿では,環境対応コード生成(EACG)の最初の体系的研究について述べる。
その結果,現在のLLMは環境固有のコード生成に苦しむ一方で,環境の適合性や実行性も向上していることがわかった。
論文 参考訳（メタデータ） (2026-01-18T04:58:15Z) - Counting Without Running: Evaluating LLMs' Reasoning About Code Complexity [2.7389338551082605]
性能ボトルネックを予測するため,LLM(Large Language Models)のベンチマークを開発した。
FLOPBenchは577カーネルの単精度と倍精度のFLOP数を予測する。
われわれはFLOPBenchをLLMツールの開発に焦点をあてたテストベッドとして位置づけた。
論文 参考訳（メタデータ） (2025-12-04T01:03:20Z) - SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。
従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
論文 参考訳（メタデータ） (2025-05-29T18:28:02Z) - NGPU-LM: GPU-Accelerated N-Gram Language Model for Context-Biasing in Greedy ASR Decoding [54.88765757043535]
この研究は、統計的なn-gram言語モデルのデータ構造を再考し、GPU最適化推論の高速かつ並列な操作を可能にする。
我々のアプローチは NGPU-LM と呼ばれ、7% 未満の計算オーバーヘッドを持つ全ての主要な ASR モデルに対して、カスタマイズ可能なgreedy decoding を導入している。
提案手法は,ビーム探索による顕著な遅延を回避しつつ,greedy と beam search の精度ギャップの50%以上を排除できる。
論文 参考訳（メタデータ） (2025-05-28T20:43:10Z) - Is Compression Really Linear with Code Intelligence? [60.123628177110206]
textitFormat Annealingは、事前訓練されたモデルの本質的な能力を同等に評価するために設計された、軽量で透明なトレーニング手法である。
我々の経験的結果は、測定されたコードインテリジェンスとビット・パー・キャラクタ(BPC)の基本的な対数関係を明らかにする。
私たちの研究は、コードインテリジェンスの開発における圧縮の役割をより微妙に理解し、コードドメインにおける堅牢な評価フレームワークに貢献します。
論文 参考訳（メタデータ） (2025-05-16T16:59:14Z) - GREEN-CODE: Learning to Optimize Energy Efficiency in LLM-based Code Generation [1.5749416770494706]
本研究では,Large Language Models (LLM) におけるエネルギーを考慮したコード生成フレームワークを提案する。
我々は、正確性、レイテンシ、エネルギー消費のトレードオフのバランスをとることを学ぶ強化学習エージェント(RL)を訓練する。
その結果,コード生成作業における平均23～50パーセントのエネルギー消費を,精度に悪影響を及ぼすことなく削減できることが示唆された。
論文 参考訳（メタデータ） (2025-01-19T10:44:03Z) - CPPJoules: An Energy Measurement Tool for C++ [3.9373541926236766]
CPPJoulesはIntel-RAPL上に構築されたC++コードスニペットのエネルギー消費を測定するツールである。
我々は,Rosetta Codeレポジトリから標準計算タスクのエネルギー消費を測定することで,ツールの評価を行った。
論文 参考訳（メタデータ） (2024-12-18T07:11:56Z) - Nearest Neighbor Speculative Decoding for LLM Generation and Attribution [87.3259169631789]
Nearest Speculative Decoding (NEST)は、任意の長さの実世界のテキストスパンをLM世代に組み込むことができ、それらのソースへの属性を提供する。
NESTは、様々な知識集約タスクにおいて、基本LMの生成品質と帰属率を大幅に向上させる。
さらに、NESTは、Llama-2-Chat 70Bに適用した場合の推論時間において1.8倍のスピードアップを達成することにより、生成速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-05-29T17:55:03Z) - Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference [23.633481089469836]
LLM(Large Language Models)の自動回帰デコーディングは、ハードウェアの性能に大きなオーバーヘッドをもたらす。
トレーニング可能なパラメータを0.0002$%しか必要とせず,A100-40GBのGPUをたった16時間で効率的にトレーニングできる並列プロンプトデコーディングを提案する。
我々のアプローチでは、最大2.49$times$ スピードアップを示し、最小のメモリオーバーヘッドは0.0004$%である。
論文 参考訳（メタデータ） (2024-05-28T22:19:30Z) - MiM-ISTD: Mamba-in-Mamba for Efficient Infrared Small Target Detection [72.46396769642787]
ネスト構造であるMamba-in-Mamba(MiM-ISTD)を開発した。
MiM-ISTDはSOTA法より8倍高速で、2048×2048$のイメージでテストすると、GPUメモリ使用率を62.2$%削減する。
論文 参考訳（メタデータ） (2024-03-04T15:57:29Z) - Spatial-information Guided Adaptive Context-aware Network for Efficient
RGB-D Semantic Segmentation [9.198120596225968]
計算パラメータを削減し,アルゴリズムの堅牢性を保証する,効率的な軽量エンコーダデコーダネットワークを提案する。
また,NYUv2,SUN RGB-D,Cityscapesのデータセットを用いた実験結果から,本手法は最先端手法よりもセグメンテーション精度,推定時間,パラメータのトレードオフが良好であることが示された。
論文 参考訳（メタデータ） (2023-08-11T09:02:03Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z)
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。