論文の概要: LLMSpace: Carbon Footprint Modeling for Large Language Model Inference on LEO Satellites

• arxiv url: http://arxiv.org/abs/2605.05615v1
• Date: Thu, 07 May 2026 03:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.496683
• Title: LLMSpace: Carbon Footprint Modeling for Large Language Model Inference on LEO Satellites
• Title（参考訳）: LLMSpace:LEO衛星を用いた大規模言語モデル推論のためのカーボンフットプリントモデリング
• Authors: Lei Jiang, Adrian Ildefonso, Daniel Loveless, Fan Chen,
• Abstract要約: 大規模言語モデル(LLM)は急速にエネルギー需要を増大させ、大規模な推論によってエネルギーと炭素危機を生じさせる。 本稿では,AI対応LEO衛星上でのLCM推論のための最初の炭素モデリングフレームワークである textitLLMSpace を提案する。
• 参考スコア（独自算出の注目度）: 5.920779744985693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) impose rapidly growing energy demands, creating an emerging energy and carbon crisis driven by large-scale inference. Solar-powered, AI-enabled low Earth orbit (LEO) satellites have been proposed to mitigate terrestrial electricity consumption, but their lifecycle carbon footprint remains poorly understood due to launch emissions, satellite manufacturing, and radiation-hardened hardware requirements. This paper presents \textit{LLMSpace}, the first carbon modeling framework for LLM inference on AI-enabled LEO satellites. LLMSpace jointly models operational and embodied carbon, peripheral subsystems, radiation-hardened accelerators and memories, and LLM-specific workload characteristics such as prefill-decode behavior and token generation. Using realistic satellite and GPU configurations, LLMSpace reveals key trade-offs among carbon footprint, inference latency, hardware design, and operational lifetime for sustainable space-based LLM inference. Source code: https://github.com/UnchartedRLab/LLMSpace.
• Abstract（参考訳）: 大規模言語モデル(LLM)は急速にエネルギー需要を増大させ、大規模な推論によってエネルギーと炭素危機を生じさせる。 太陽エネルギーでAIを利用する低軌道(LEO)衛星は地上での電力消費を減らすために提案されているが、そのライフサイクルの炭素フットプリントは、打ち上げの排出、衛星製造、放射線硬化ハードウェアの要求により理解されていない。 本稿では,AI 対応LEO 衛星上での LLM 推論のための最初の炭素モデリングフレームワークである \textit{LLMSpace} について述べる。 LLMSpaceは、運用および実施された炭素、周辺サブシステム、放射線硬化型加速器と記憶、およびプリフィル・デコード動作やトークン生成などのLCM固有のワークロード特性を共同でモデル化する。 LLMSpaceは、現実的な衛星とGPU構成を使用して、持続可能なスペースベースのLSM推論のための炭素フットプリント、推論レイテンシ、ハードウェア設計、運用寿命の主なトレードオフを明らかにしている。 ソースコードはhttps://github.com/UnchartedRLab/LLMSpace。

関連論文リスト

• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Dirty Bits in Low-Earth Orbit: The Carbon Footprint of Launching Computers [1.8990839669542956]
  低地球軌道(LEO)衛星は通信や軌道内計算のためにますます提案されている。 本稿では,軌道上からの打ち上げから再突入までのライフサイクルエミッションに着目し,宇宙における計算の炭素フットプリントについて検討する。
  論文  参考訳（メタデータ） (2025-08-08T12:14:20Z)
• SpaceR: Reinforcing MLLMs in Video Spatial Reasoning [70.7401015322983]
  ビデオ空間推論は、既存のマルチモーダル大言語モデル(MLLM)にとって重要な課題である この制限は主に、1)このタスクに高品質なデータセットがないこと、2)空間推論能力を開発するための効果的なトレーニング戦略がないことに由来する。 空間推論能力のアンロックにおける強化学習(Reinforcement Learning with Verifiable Reward, RLVR)の成功により, RLVRパラダイムを通じて映像空間推論におけるMLLMの改善を目指す。
  論文  参考訳（メタデータ） (2025-04-02T15:12:17Z)
• 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)
• FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks [18.213174641216884]
  多数の低軌道軌道(LEO)衛星が打ち上げられ、SpaceXなどの商業企業によって宇宙に投入された。 LEO衛星が搭載するマルチモーダルセンサにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも機能する。 本稿では,これらの課題に対処するための一般FLフレームワークとしてFedSNを提案し,LEO衛星上でのデータ多様性について検討する。
  論文  参考訳（メタデータ） (2023-11-02T14:47:06Z)
• LLMCarbon: Modeling the end-to-end Carbon Footprint of Large Language Models [7.132822974156601]
  大きな言語モデル(LLM)の炭素フットプリントは、トレーニング、推論、実験、貯蔵プロセスからの排出を含む重要な関心事である。 我々は、高密度およびMoE LLMの両方のために設計されたエンドツーエンドの炭素フットプリントプロジェクションモデルであるtextitcarbを紹介した。
  論文  参考訳（メタデータ） (2023-09-25T14:50:04Z)
• Learning Latent Space Energy-Based Prior Model [118.86447805707094]
  我々はジェネレータモデルの潜在空間でエネルギーベースモデル(EBM)を学習する。 学習したモデルが画像やテキストの生成や異常検出の点で強い性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-06-15T08:11:58Z)

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。