論文の概要: Beyond Energy: When Sustainability Dimensions Reshape LLM Serving Decisions

• arxiv url: http://arxiv.org/abs/2609.35569v1
• Date: Mon, 28 Sep 2026 16:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:47:13.832234
• Title: Beyond Energy: When Sustainability Dimensions Reshape LLM Serving Decisions
• Title（参考訳）: エネルギーを超える - 持続可能性の次元がLSMの決定を形作る時
• Abstract要約: 大規模言語モデル (LLM) は、エネルギー消費、二酸化炭素排出量、水消費、生物多様性の喪失にまたがる環境に影響を及ぼす。 エネルギー, 炭素, 水, 生物多様性に影響を及ぼすLLMの特性と最適化のための統一的なフレームワークであるPRISMについて述べる。
• 参考スコア（独自算出の注目度）: 11.095131720486611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) serving has environmental impacts across energy consumption, carbon emission, water consumption, and biodiversity loss. Yet these dimensions are largely evaluated in isolation, leaving it unclear when and how they lead to different optimization decisions. We present PRISM, a unified framework for characterizing and optimizing LLM serving across energy, carbon, water, and biodiversity impacts. Our analysis reveals a fundamental distinction: computing configurations determine energy consumption, whereas where and when LLM serving is deployed determine its carbon, water, and biodiversity impacts. Under a fixed deployment choice and operational-only accounting, all dimensions preserve the same energy-based configuration ranking. Deployment rankings can diverge across dimensions, while embodied impacts can break configuration invariance when they exceed a lifecycle crossover boundary. PRISM identifies these conditions, quantifies cross-dimensional regrets, and balances the four dimensions. In regional-routing experiments, PRISM reduces median worst-case regret by 50.2% relative to the strongest baseline.
• Abstract（参考訳）: 大規模言語モデル (LLM) は、エネルギー消費、二酸化炭素排出量、水消費、生物多様性の喪失にまたがる環境に影響を及ぼす。 しかし、これらの次元は独立して評価され、いつ、どのように異なる最適化決定に至るかははっきりしない。 エネルギー, 炭素, 水, 生物多様性に影響を及ぼすLLMの特性と最適化のための統一的なフレームワークであるPRISMについて述べる。 計算構成はエネルギー消費を決定づけるが、LLMがどこにデプロイされたかは炭素、水、生物多様性の影響を決定づける。 固定配置の選択と運用専用会計の下では、すべての次元は同じエネルギーベースの構成ランキングを保持する。 デプロイメントランキングはディメンションにまたがる可能性があるが、具体的影響はライフサイクルのクロスオーバーバウンダリを越えると構成の不変性を損なう可能性がある。 PRISMはこれらの条件を特定し、クロス次元の後悔を定量化し、4次元のバランスをとる。 地域ルーティングの実験では、PRISMは最強のベースラインと比較して、最悪の最短ケースの後悔を50.2%減らす。

関連論文リスト

• InFactPlanner: Planning Sustainable Geo-Distributed LLM Data Centers [0.15999407512883507]
  InFactPlanner(インファクトプランナー)は、持続可能なAIデータセンターの配置を分析するためのトレース駆動の意思決定支援フレームワークである。 InFactPlannerは、クエリトレース、ハードウェアモデルプロファイル、候補サイト構成、PUE/WUEパラメータ、再生可能生成モデル、時間変化のグリッドカーボン強度を組み合わせて、電力、エネルギー、二酸化炭素排出量、水利用、レイテンシ、サーバー利用を推定する。
  論文  参考訳（メタデータ） (2026-08-13T07:57:22Z)
• Gated Multimodal Learning for Interpretable Property Energy Performance Prediction and Retrofit Scenario Analysis [4.59166421255722]
  本研究では,SAP(Standard Assessment Procedure)エネルギー効率と環境影響(EI)スコアを予測するためのゲート型マルチモーダルモデルを提案する。 ウェストミンスターのケーススタディでは、SAPとEIのスコアはそれぞれ4.03点と4.76点、R2は0.757点と0.748点と予測されている。 全体として、このフレームワークは、適合性スクリーニング、介入優先、ネットゼロの住宅遷移に関するスケーラブルなプロパティレベルの証拠を提供する。
  論文  参考訳（メタデータ） (2026-05-06T16:23:11Z)
• Green AI: A systematic review and meta-analysis of its definitions, lifecycle models, hardware and measurement attempts [0.0]
  この記事では、持続可能なAIとは異なる、グリーンAIの統一された運用定義を確立する。 ライフサイクルアセスメント段階にマッピングされた5つのフェーズライフサイクルを形式化し、エネルギー、炭素、水、エンボディドインパクトを第一級に設定する。
  論文  参考訳（メタデータ） (2025-11-10T13:26:06Z)
• Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach [118.75896764188424]
  本稿では,既存の広範に使用されているSalient Object Detectionメトリクスの固有サイズ感度を明らかにするために,新しい視点を示す。 この課題に対処するため、汎用的なサイズ不変評価(SIEva)フレームワークが提案されている。 さらに、サイズ不変の原理に固執する専用最適化フレームワーク(SIOpt)を開発し、幅広いサイズにわたる有能な物体の検出を大幅に強化する。
  論文  参考訳（メタデータ） (2025-09-19T04:12:14Z)
• GreenDFL: a Framework for Assessing the Sustainability of Decentralized Federated Learning Systems [13.15941655109666]
  Decentralized Federated Learning(DFL)は、集中的なデータやモデルアグリゲーションなしに協調的なモデルトレーニングを可能にする新興パラダイムである。 本研究の目的は、DFLシステムの持続可能性を評価するための総合的かつ運用的なフレームワークを開発することである。 提案したGreenDFLは、DFLシステムの持続可能性を評価するための包括的で実践的なアプローチを提供する。
  論文  参考訳（メタデータ） (2025-02-27T16:27:42Z)
• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• Localisation determines the optimal noise rate for quantum transport [68.8204255655161]
  1D鎖の局在と最適脱落速度について検討した。 単純なパワー法則は、サイズに依存しない応答とサイズに依存しない応答の間の相互作用をキャプチャする。 中間温度と高温では関係が保たれるが、低温では崩壊する。
  論文  参考訳（メタデータ） (2021-06-23T17:52:16Z)
• 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)

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。