論文の概要: Enabling users to work sustainably on shared institute computing resources
- arxiv url: http://arxiv.org/abs/2604.22799v1
- Date: Mon, 13 Apr 2026 18:17:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.190875
- Title: Enabling users to work sustainably on shared institute computing resources
- Title（参考訳）: 共有機関のコンピューティングリソースでユーザを持続的に働かせるようにする
- Authors: Niclas Eich, Johannes Erdmann, Martin Erdmann, Benjamin Fischer, Paul Gilles, Tim Hauptreif, Jan Kelleter,
- Abstract要約: VISPAプロジェクトは、研究と教育における物理データ分析をサポートする、自己管理型の中規模コンピューティングクラスタである。
監視システムは、現在1ジューブ当たりのエネルギー消費を記録している。
ドイツ電力網の再生可能シェアに関するリアルタイムデータは、グリーンウィンドウのスケジューリングを可能にする。
- 参考スコア（独自算出の注目度）: 0.5277024349608834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The VISPA project is a self-managed, mid-scale computing cluster that supports physics data analysis in research and teaching. Because the cluster is housed in a 1970s institute building with limited retrofit options, conventional efficiency upgrades would yield only minor energy savings. We therefore target sustainability primarily through user-centric measures. A monitoring system now records per-job energy consumption, while real-time data on the renewable share of the German power grid enable `green-window' scheduling. Users can query their individual energy consumption and carbon footprints, receive weekly reports, and tag jobs by project for aggregate accounting; memory records from previous runs help avoid oversubscription. All options are voluntary, fostering a cultural shift rather than imposing hard constraints. A simulation framework evaluates the potential impact of these measures. Together, the technological and behavioral interventions aim at medium- to long-term reductions in greenhouse-gas emissions by increasing resource awareness within the scientific community.
- Abstract（参考訳）: VISPAプロジェクトは、研究と教育における物理データ分析をサポートする、自己管理型の中規模コンピューティングクラスタである。
クラスターは1970年代にはリトライフィットの選択肢が限られていた施設に収容されていたため、従来の効率向上はわずかな省エネしか得られなかった。
したがって、私たちは主にユーザ中心の措置によって持続可能性をターゲットにしています。
ドイツ電力網の再生可能シェアに関するリアルタイムデータが「グリーンウインドウ」スケジューリングを可能にしている。
ユーザーは、個々のエネルギー消費とカーボンフットプリントを問い合わせたり、毎週のレポートを受け取り、会計の集計プロジェクトによってジョブをタグ付けすることができる。
すべての選択肢は自発的であり、厳しい制約を課すのではなく、文化的シフトを促進する。
シミュレーションフレームワークは、これらの測定の潜在的影響を評価する。
技術的・行動的な介入は、科学コミュニティ内での資源意識の向上による温室効果ガス排出量の中期的・長期的削減を目的としている。
関連論文リスト
- Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning [8.968986043976532]
本稿では,企業内における機密性の高い運用データを維持することにより,データのプライバシを保護する,エネルギー消費予測のためのフェデレート学習手法を提案する。
私たちのフレームワークは、FlowerのFedXgbBaggingアグリゲーションを使用して、分散クライアント間で協調的にXGBoostモデルをトレーニングします。
この研究は、KeplerやCASPERといった以前のシステムにおける、データのプライバシとエネルギー予測効率の間の未解決のトレードオフに対処する。
論文 参考訳（メタデータ） (2025-10-04T23:01:59Z) - Breaking the ICE: Exploring promises and challenges of benchmarks for Inference Carbon & Energy estimation for LLMs [8.377809633825196]
本稿では, 現状のアプローチの課題について論じるとともに, 炭素排出量を推定するフレームワークであるR-ICEについて述べる。
我々の有望な検証結果は、ベンチマークベースのモデリングが推定放射推定に大きな可能性を秘めていることを示唆している。
論文 参考訳（メタデータ） (2025-06-10T12:23:02Z) - Edge-Optimized Deep Learning & Pattern Recognition Techniques for Non-Intrusive Load Monitoring of Energy Time Series [0.0]
非侵入負荷モニタリング(NILM)は、家電レベルのデータに家庭のエネルギー使用量を分散することで、有望なソリューションを提供する。
現在のデータセットは、主に米国や英国のような地域を表しており、地中海のような地域は、あまり表現されていない。
この論文は、これらの問題に重要な貢献で取り組みます。
論文 参考訳（メタデータ） (2025-05-07T12:38:54Z) - Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。
ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。
このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
論文 参考訳（メタデータ） (2025-04-08T14:00:08Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z) - An Energy and Carbon Footprint Analysis of Distributed and Federated
Learning [42.37180749113699]
古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。
このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。
本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-06-21T13:28:49Z) - 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) - AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the
Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of
BMS and Environmental Data [12.681421165031576]
建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。
シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。
ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
論文 参考訳（メタデータ） (2020-10-09T09:51:03Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - 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。