論文の概要: CarbonEdge: Carbon-Aware Deep Learning Inference Framework for Sustainable Edge Computing

• arxiv url: http://arxiv.org/abs/2603.27420v1
• Date: Sat, 28 Mar 2026 21:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.950514
• Title: CarbonEdge: Carbon-Aware Deep Learning Inference Framework for Sustainable Edge Computing
• Title（参考訳）: CarbonEdge: 持続可能なエッジコンピューティングのためのCarbon-Aware Deep Learning Inference Framework
• Authors: Guilin Zhang, Wulan Guo, Ziqi Tan, Hailong Jiang,
• Abstract要約: ネットワークエッジにおけるディープラーニングの応用は、AI関連の二酸化炭素排出量の大幅な増加につながります。 既存のエッジコンピューティングフレームワークはレイテンシとスループットを最適化しているが、推論ワークロードの環境への影響を無視している。 本稿では,炭素フットプリント推定とグリーンスケジューリング能力を備えた適応モデル分割を拡張可能な,炭素対応ディープラーニング推論フレームワークであるCarbonEdgeを紹介する。
• 参考スコア（独自算出の注目度）: 0.335846148865768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning applications at the network edge lead to a significant growth in AI-related carbon emissions, presenting a critical sustainability challenge. The existing edge computing frameworks optimize for latency and throughput, but they largely ignore the environmental impact of inference workloads. This paper introduces CarbonEdge, a carbon-aware deep learning inference framework that extends adaptive model partitioning with carbon footprint estimation and green scheduling apabilities. We propose a carbon-aware scheduling algorithm that extends traditional weighted scoring with a carbon efficiency metric, supporting a tunable performance--carbon trade-off (demonstrated via weight sweep). Experimental evaluations on Docker-simulated heterogeneous edge environments show that CarbonEdge-Green mode achieves a 22.9% reduction in carbon emissions compared to monolithic execution. The framework achieves 1.3x improvement in carbon efficiency (245.8 vs 189.5 inferences per gram CO2) with negligible scheduling overhead (0.03ms per task). These results highlight the framework's potential for sustainable edge AI deployment, providing researchers and practitioners a tool to quantify and minimize the environmental footprint of distributed deep learning inference.
• Abstract（参考訳）: ネットワークエッジでのディープラーニングの応用は、AI関連の二酸化炭素排出量の大幅な増加につながります。 既存のエッジコンピューティングフレームワークはレイテンシとスループットを最適化しているが、推論ワークロードの環境への影響はほとんど無視されている。 本稿では,炭素フットプリント推定とグリーンスケジューリング能力を備えた適応モデル分割を拡張可能な,炭素対応ディープラーニング推論フレームワークであるCarbonEdgeを紹介する。 本稿では,従来の重み付きスコアを炭素効率測定値で拡張し,炭素のトレードオフ(重み付けによる実証)を調整可能な性能でサポートする炭素対応スケジューリングアルゴリズムを提案する。 Dockerを模擬した異種エッジ環境に関する実験的評価は、CarbonEdge-Greenモードがモノリシック実行と比較して22.9%の二酸化炭素排出量削減を実現していることを示している。 このフレームワークは、炭素効率(245.8対129.5対1グラムCO2)が1.3倍改善され、スケジュールのオーバーヘッドは無視できる(タスク当たり0.03ms)。 これらの結果は、持続可能なエッジAIデプロイメントのためのフレームワークの可能性を強調し、研究者や実践者が分散ディープラーニング推論の環境フットプリントを定量化し、最小化するツールを提供する。

関連論文リスト

• Standardized Methods and Recommendations for Green Federated Learning [4.07505182773706]
  フェデレートラーニング(FL)は、プライバシに敏感な分散データに対する協調モデルトレーニングを可能にするが、その環境への影響は研究全体で比較することは困難である。 NVIDIA NVFlare と CodeCarbon を用いた FL CO2e 追跡のための実用的な炭素計数手法を提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:46:36Z)
• CATransformers: Carbon Aware Transformers Through Joint Model-Hardware Optimization [15.52721716387361]
  当社では,Transformerベースのモデルとハードウェアアクセラレーションのための,最初のカーボンを意識した共同最適化フレームワークである,当社のフレームワークを紹介します。 本研究は, モデル性能と実行時間性能を損なうことなく, 炭素効率を優先する全体最適化手法の必要性を強調した。
  論文  参考訳（メタデータ） (2025-05-02T16:49:10Z)
• Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
  ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている 本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。 本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
  論文  参考訳（メタデータ） (2024-04-28T05:46:28Z)
• CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data Centers [18.54380015603228]
  大規模人工知能(AI)モデルの訓練には、計算能力とエネルギーが要求されるため、炭素フットプリントが増加し、環境に悪影響を及ぼす可能性がある。 本稿は、地理的に分散した(地理的に分散した)データセンターでAIモデルをトレーニングする際の課題を考察し、学習性能と炭素フットプリントのバランスを強調する。 固定炭素フットプリント予算内でのトレーニングを最適化するために,CAFE(Carbon-Aware Federated Learning)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-06T23:59:22Z)
• 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)
• Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model [72.65502770895417]
  176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。 BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。 本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
  論文  参考訳（メタデータ） (2022-11-03T17:13:48Z)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)
• Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
  我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。 エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。 炭素排出量削減とエネルギー消費削減のための戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。