論文の概要: AI Inference as Relocatable Electricity Demand: A Latency-Constrained Energy-Geography Framework

• arxiv url: http://arxiv.org/abs/2604.27855v2
• Date: Fri, 01 May 2026 04:05:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 13:37:11.009323
• Title: AI Inference as Relocatable Electricity Demand: A Latency-Constrained Energy-Geography Framework
• Title（参考訳）: リロケータブルな電力需要としてのAI推論 - 遅延拘束型エネルギー地理学フレームワーク
• Authors: Xubin Luo, Cheng Yang,
• Abstract要約: 我々は、地理分散AI推論のためのエネルギー地理フレームワークを開発する。 レイテンシ緩和が実現可能な地理的範囲を拡大する一方で,マイグレーションの摩擦,排他的コスト,状態の局所性,法的制約,キャパシティ制限が実現可能なメリットを著しく低減できることを示す。
• 参考スコア（独自算出の注目度）: 6.741973923575375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI inference is becoming a persistent and geographically distributed source of electricity demand. Unlike many traditional electrical loads, inference workloads can sometimes be executed away from the user-facing service location, provided that latency, state locality, capacity, and regulatory constraints remain acceptable. This paper studies when such digital relocation of computation can be interpreted as latency-constrained relocation of electricity demand. We develop an energy-geography framework for geo-distributed AI inference. The framework models a three-layer architecture of clients, service nodes, and compute nodes, and formulates inference placement as a constrained optimization problem over electricity prices, marginal carbon intensity, power usage effectiveness, compute capacity, network latency, and migration frictions. The key object is the energy-latency frontier: the marginal cost and carbon benefit unlocked by relaxing inference latency budgets. The paper makes four contributions. First, it distinguishes physical electricity transmission from digital relocation of electricity-consuming computation. Second, it formulates a geo-distributed inference placement model with feasibility masks and migration frictions. Third, it introduces operational metrics, including relocatable inference demand, energy return on latency, carbon return on latency, and a relocation break-even condition. Fourth, it provides a transparent stylized simulation over representative global compute regions to show how heterogeneous latency tolerance separates workloads into local, regional, and energy-oriented execution layers. The results show that latency relaxation expands feasible geography, while migration frictions, egress costs, state locality, legal constraints, and capacity limits can sharply reduce realized benefits.
• Abstract（参考訳）: AI推論は、永続的で地理的に分散した電力需要源になりつつある。 多くの従来の電気的負荷とは異なり、レイテンシ、状態のローカリティ、キャパシティ、規制制約が引き続き許容されることを前提として、推論ワークロードは、ユーザ側のサービスロケーションから実行されることもあります。 本稿では,このようなディジタル・リロケーションを遅延制約のない電力需要のリロケーションと解釈できる場合について検討する。 我々は、地理分散AI推論のためのエネルギー地理フレームワークを開発する。 このフレームワークは、クライアント、サービスノード、および計算ノードの3層アーキテクチャをモデル化し、電気価格、限界炭素強度、電力使用効率、計算能力、ネットワークレイテンシ、マイグレーション摩擦に対する制約付き最適化問題として推論配置を定式化する。 限界コストと炭素の恩恵は、推論遅延予算の緩和によって解放される。 論文には4つの貢献がある。 第一に、物理電気伝送と電力消費計算のデジタル再配置を区別する。 第二に、フィジビリティマスクとマイグレーション摩擦を備えたジオ分散推論配置モデルを定式化する。 第三に、リロケータブルな推論要求、レイテンシのエネルギリターン、レイテンシのカーボンリターン、リロケーションの中断条件など、運用メトリクスが導入されている。 第4に、異種レイテンシ寛容がワークロードをローカル、地域、エネルギー指向の実行層に分離する様子を示すために、代表的グローバルな計算領域に対する透過的なスタイリングシミュレーションを提供する。 その結果、レイテンシ緩和が実現可能な地理的範囲を広げる一方で、マイグレーションの摩擦、エグレッシブコスト、状態の局所性、法的な制約、キャパシティ制限が実現可能なメリットを著しく削減できることがわかった。

関連論文リスト

• A Theoretical Framework for Energy-Aware Gradient Pruning in Federated Learning [0.0]
  フェデレートラーニング(FL)は、分散エッジデバイスの通信とエネルギー制限によって制約される。 本稿では,パラメータの更新を物理コストに応じて優先順位付けする選択規則であるCWMP(Cost-Weighted Magnitude Pruning)を提案する。 非IIDAR-10ベンチマークの数値結果は、CWMPがTop-Kベースラインよりも優れたパフォーマンス・エネルギ・フロンティアを一貫して確立していることを示している。
  論文  参考訳（メタデータ） (2026-03-23T18:31:07Z)
• Capacity-constrained demand response in smart grids using deep reinforcement learning [1.5749416770494706]
  本稿では,住宅用スマートグリッドに対する容量制限型インセンティブに基づく需要応答手法を提案する。 電力網容量制限の維持と、エンドユーザーがエネルギー消費を減らしたりシフトさせたりすることによる混雑防止を目標としている。
  論文  参考訳（メタデータ） (2026-02-18T15:13:07Z)
• Feature-Based Semantics-Aware Scheduling for Energy-Harvesting Federated Learning [18.65400996570946]
  リソース制約のあるエッジデバイス上でのフェデレートラーニング(FL)は、重要な課題に直面している。 ディープニューラルネットワーク(DNN)のトレーニングに必要な計算エネルギーは、通信コストを支配していることが多い。 更新タイムラインと重要度を定量化するセマンティックス対応のメトリクスであるVersion Age of Information (VAoI) を用いた軽量クライアントスケジューリングフレームワークを提案する。 本フレームワークは,教育費が送信コストを上回る現実的なシナリオにおいて,EHFLの現実的かつ重要なソリューションとしてセマンティクスを考慮したスケジューリングを確立する。
  論文  参考訳（メタデータ） (2025-12-01T18:40:26Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Load-Altering Attacks Against Power Grids: A Case Study Using the GB-36 Bus System Open Dataset [0.2455468619225742]
  負荷変動攻撃(LAA)は急激な周波数変動を引き起こし、電力グリッドを不安定にする可能性がある。 本稿では,グリッドオペレータがリリースしたオープンソースデータセットを用いて,学術研究と実践的応用のギャップを埋めることを目的とする。 英国国立電力システムオペレーター(NESO)がリリースしたイギリス(GB)-36ゾーンモデルについて、実世界の送信ネットワーク上での様々なLAAシナリオを調査した。
  論文  参考訳（メタデータ） (2025-08-12T13:57:16Z)
• Accelerating Energy-Efficient Federated Learning in Cell-Free Networks with Adaptive Quantization [45.99908087352264]
  フェデレートラーニング(FL)により、クライアントはローカルデータの代わりに学習パラメータを共有でき、通信オーバーヘッドを低減できる。 従来の無線ネットワークはFLでレイテンシの問題に直面している。 本稿では,クライアントサーバ間のシームレスな協調作業に最適化されたアップリンク電力割り当てを特徴とするエネルギー効率,低レイテンシFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-30T08:10:21Z)
• Formalizing, Normalizing, and Splitting the Energy Network Re-Dispatch for Quantum Annealing [37.81697222352684]
  断熱量子計算(AQC)は、量子系の基底状態を近似するための確立された方法である。 本研究では,エネルギーネットワーク再ディスパッチ問題における課題について検討する。 本結果は,オープンソースのエネルギーネットワークシミュレーションのベースラインと比較した。
  論文  参考訳（メタデータ） (2024-09-15T20:29:40Z)
• Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
  Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。 本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。 提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T22:04:49Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。