論文の概要: EnCoDe: Energy Estimation of Source Code At Design-Time

• arxiv url: http://arxiv.org/abs/2605.00504v1
• Date: Fri, 01 May 2026 08:30:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.909512
• Title: EnCoDe: Energy Estimation of Source Code At Design-Time
• Title（参考訳）: EnCoDe: 設計時のソースコードのエネルギー推定
• Authors: Shailender Goyal, Akhila Matathammal, Karthik Vaidhyanathan,
• Abstract要約: エネルギー効率はソフトウェア品質の重要な属性として現れており、環境の持続可能性と運用コストの両方に重大な影響を及ぼす。 既存のプロファイリングツールは実行時にのみ動作し、通常はプロセスやメソッドレベルでエネルギーを捕捉する。 本研究では,詳細な設計時エネルギー推定手法であるEnCoDeを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Energy efficiency has emerged as a vital attribute of software quality, with significant implications for both environmental sustainability and operational costs. However, existing profiling tools operate only at runtime and coarse granularity, typically capturing energy at the process or method level. Such tools fail to expose how small code blocks, such as functions, loops, and conditionals, contribute to energy consumption, preventing developers from reasoning about and comparing the energy efficiency of programming constructs during design-time. To address this gap, we propose EnCoDe, a methodology for fine-grained, design-time energy estimation, with the following key contributions: (1) PowerLens, a novel measurement methodology that achieves reliable sub-millisecond energy readings for small code blocks; (2) Extensive empirical study on code blocks extracted from over 18,000 Python programs, uncovering linear and non-linear relationships between energy consumption and static code features such as structural, complexity, density, and contextual characteristics, resulting in a first-of-its-kind fine-grained dataset; and (3) Predictive modeling, in which machine learning models are trained on these features to accurately estimate and classify block-level energy consumption at design-time. Our results demonstrate stable, reproducible block-level estimations, with regressors achieving R^2 = 0.75 and classifiers achieving 80.6% accuracy in identifying energy hotspots, enabling developers to localize and address inefficient code regions early in the development process without execution.
• Abstract（参考訳）: エネルギー効率はソフトウェア品質の重要な属性として現れており、環境の持続可能性と運用コストの両方に重大な影響を及ぼす。 しかし、既存のプロファイリングツールは実行時にのみ動作し、通常はプロセスやメソッドレベルでエネルギーを捕捉する。 このようなツールは、関数、ループ、条件などの小さなコードブロックがいかにエネルギー消費に貢献しているかを明らかにするのに失敗し、開発者は設計時にプログラム構成のエネルギー効率を推論し比較することを妨げている。 18000以上のPythonプログラムから抽出されたコードブロックに対する大規模な実証研究、エネルギー消費と構造的・複雑性・密度・文脈的特徴などの静的コード特徴の線形的・非線形的関係を明らかにすること、そして、これらの特徴に基づいて機械学習モデルがこれらの特徴に基づいて訓練され、設計時にブロックレベルのエネルギー消費を正確に推定・分類する予測モデリングである。 提案手法は,R^2 = 0.75を達成する回帰器と,エネルギーホットスポットの同定において80.6%の精度を達成し,開発プロセスの早期に非効率なコード領域をローカライズし,対処できるようにする。

関連論文リスト

• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code [46.879983975894135]
  本研究の目的は, LLM がエネルギー効率の良いコード生成にどう最適化できるか, 検討することである。 CPTはContrastive Learningテクニックを組み合わせることで、モデルが効率的かつ非効率なコードを区別するのに役立つ。 本研究では,Python,Java,C++の3つのモデルにまたがるコーディング問題のCPTを評価し,包括的評価を行う。
  論文  参考訳（メタデータ） (2026-03-03T12:36:15Z)
• Sustainable Code Generation Using Large Language Models: A Systematic Literature Review [20.12025491042057]
  大規模言語モデル(LLM)は、コードの生成、完成、翻訳、修正に広く使われている。 本稿では,LLMが生成するコードの持続可能性に関する既存研究について検討する。
  論文  参考訳（メタデータ） (2026-03-01T08:32:36Z)
• 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)
• Smart but Costly? Benchmarking LLMs on Functional Accuracy and Energy Efficiency [5.771786260272727]
  我々は、エネルギー効率と機能的正当性の統一的なスケールでコード言語モデルのベンチマークを行うためのフレームワークBRACEを提案する。 同心性漸進的レーティングサークル(CIRC)と予測レーティング(OTER)の2つの評価手法を提案する。 我々の分析では、文法ベースで構文的に正しい出力を生成するように強制されないため、コード要約タスクにおいて、一般的にモデルの性能が向上することを明らかにした。
  論文  参考訳（メタデータ） (2025-11-10T23:44:48Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)

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。