論文の概要: Quantifying Ethereum Energy Consumption via Network Mapping
- arxiv url: http://arxiv.org/abs/2610.03440v1
- Date: Fri, 02 Oct 2026 15:24:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.450138
- Title: Quantifying Ethereum Energy Consumption via Network Mapping
- Title（参考訳）: ネットワークマッピングによるEthereumエネルギー消費量の定量化
- Abstract要約: 既存の見積は、各ノードに1つの典型的なワット数を適用するか、集約された監視カウントから始めるかのどちらかである。
どちらも、ノードがピアツーピアネットワークで既に宣伝している属性を無視している。
コンセンサス層と実行層をクロールし、各ピアにそれらの属性からワットを割り当てます。
- 参考スコア（独自算出の注目度）: 6.988431794362364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ethereum's electricity use fell by about 99.95% after the move from proof of work to proof of stake. Service providers still need to report operational energy use, e.g. under the EU Markets in Crypto-Assets Regulation (MiCAR). Existing estimates either apply one typical wattage to every node or start from aggregated monitoring counts. Both ignore attributes that nodes already advertise on the peer-to-peer network: client software, ARM or x86 hardware, hosting location, and validator role. We crawl the consensus and execution layers, assign each peer a wattage from those attributes using published measurements, and estimate the remaining incomplete peers with a Random Forest. On 6,934 peers from two Nebula crawls (19 and 22 June 2026), reachable nodes sum to 415 kW, or 3.63 GWh if that draw were held for a year. The same Lighthouse+Nethermind x86 wattage on every peer yields 431 kW. Observed attributes lower the total by 3.9%, mainly because nodes at Hetzner and other non-AWS clouds draw less than that home-desktop figure. AWS accounts for 15.6% of watts from 12.2% of peers, and validator-flagged nodes for 31.4% of watts from 25.7% of peers. The 415 kW snapshot is about 46% of the Cambridge Centre for Alternative Finance (CCAF) estimate of about 0.90 MW. Both use about 60 W per node, so the gap is mostly how many nodes each estimate includes. Rules cover 3,110 peers and the forest the other 3,824. On held-out labeled peers with client, architecture, and OS hidden, the forest's mean absolute error against the rule wattage is 4.3 W. Twenty-four-hour measurements on a gaming desktop differ from the predictions. After subtracting a 33 W idle graphics card that Ethereum clients do not need, both differences fall to about 19%.
- Abstract（参考訳）: Ethereumの電力使用量は、仕事の証明から持ち分への移動後、約99.95%減少した。
サービスプロバイダは、例えば、EU Markets in Crypto-Assets Regulation (MiCAR)の下での運用エネルギーの使用を報告する必要がある。
既存の見積は、各ノードに1つの典型的なワット数を適用するか、集約された監視カウントから始めるかのどちらかである。
どちらも、ノードがピアツーピアネットワークで既に宣伝している属性を無視している:クライアントソフトウェア、ARMまたはx86ハードウェア、ホスティングロケーション、バリデータロール。
コンセンサス層と実行層をクロールし、それらの属性から各ピアにワットを割り当て、残っていた不完全なピアをランダムフォレストで推定する。
2つの星雲(2026年6月19日と22日)から6,934個の星雲が観測され、1年間に415kW、または3.63GWhの到達可能ノードが観測された。
同じLighthouse+Nethermind x86ワットの出力は431kWである。
観測された属性は、主にHetznerや他のAWS以外のクラウドのノードがホームデスクの数字よりも少ないため、合計3.9%低下する。
AWSは、12.2%のピアから15.6%のワット、25.7%のピアから31.4%のバリテータフラッグノードを割り当てている。
415kWのスナップショットはケンブリッジ・センター・フォー・オルタナティブ・ファイナンス(CCAF)の約46%であり、およそ0.90MWである。
どちらも1ノードあたり約60Wを使用するため、その差は主に各見積りのノード数である。
ルールは3,110人のピアと他の3,824人のフォレストをカバーしている。
クライアント、アーキテクチャ、OSが隠された保持されたラベル付きピアでは、ルールワットに対する森の平均絶対誤差は4.3Wである。
Ethereumクライアントが不要な33 Wアイドルグラフィックカードを差し引いた後、両者の差は約19%となる。
関連論文リスト
- SymbolicLight V2: Hybrid Neuromorphic Architecture and Sparse Execution for Low-Energy Language Inference [8.419155861590548]
SymbolicLight V2はスパースイベント計算と連続状態処理を組み合わせる。
デジタル固定点演算を用いたAlveo U50C FPGA上でSybolicLight V2を実装した。
ROCK 5Tの4つのCortex-A76コアでは、完全なリクエストは9.80Wで65.4トークン/秒、アダプタのAC入力で生成されたトークン毎に0.151Jに達する。
論文 参考訳（メタデータ） (2026-09-09T06:18:49Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - GreenBench: Benchmarking Energy Efficiency and Carbon Footprint of Open-Source LLM Inference on Apple Silicon [0.0]
本稿では,5つのオープンソースの大規模言語モデル(LLM)のエネルギー効率,スループット,炭素フットプリントを評価するベンチマークフレームワークであるGreenBenchについて述べる。
Apple M4 Proは、持続的推論中にCPU+GPUパッケージの電力をわずか0.47W、総システム電力は8-12Wしか引き出さないことがわかった。
より小さなモデル(3-3.8B)は、より大きなモデル(7-9B)よりも2.6-4.2倍高いスループットとトークン当たりのエネルギーを最大62%削減する
私たちは、インドと米国のグリッドのCO2推定で、パッケージとシステムレベルで、トーケン毎のエネルギーを提供しています。
論文 参考訳（メタデータ） (2026-08-24T04:46:26Z) - Adaptive AI: Energy Efficient Multi-exit TinyML on Intelligent Vision Systems at the Edge [46.72621664884568]
エッジデバイス向けの従来のTinyMLシステムは、一定数の乗算累積(MAC)演算を必要とする固定深度モデルに依存することにより、高い精度を達成する。
このアプローチは、バッテリ駆動のIoT(Internet-of-Things)デバイスにおいて重要なリソースを無駄にし、エッジサイバー物理システムのリアルタイムパフォーマンスを制限する。
我々は、ImageNet-100分類タスクのためのMobileNetV2畳み込みニューラルネットワーク(CNN)上で、新しいマルチエクイット計算方式を導入する。
論文 参考訳（メタデータ） (2026-07-07T08:48:19Z) - The Usefulness Gap in Proof-of-Useful-Work: An Empirical Study of Pearl's cuPOW Protocol [0.0]
Layer-1ブロックチェーンのPearlは、Proof-of-Useful-Work(PoUW)プロトコルを、ネットワークを同時に保護し、AI推論を実行するために販売している。
そこで本研究では,Pearlの24EH/sネットワークが有用なAI計算をゼロにすることを示す。
論文 参考訳（メタデータ） (2026-06-03T12:42:29Z) - Energy Use of AI Inference: Efficiency Pathways and Test-Time Compute [4.8312457834136175]
非生産推定と仮定はエネルギー使用量を4-20倍に超過することができる。
モデル,サービスプラットフォーム,ハードウェアレベルでの達成可能な効率向上の定量化を行う。
10億のクエリを毎日0.8GWhと見積もる。
論文 参考訳（メタデータ） (2025-09-24T15:32:01Z) - A Learning Based Scheme for Fair Timeliness in Sparse Gossip Networks [41.53961199878831]
我々は、ソースの情報を追跡する$n$ノードからなるゴシップネットワークを考える。
ソースはPoissonの到着プロセスで情報を更新し、ネットワーク内のノードに更新を送信する。
一部のノードはソースを非常に時間的に追跡できるが、一部のノードはバージョンに遅れることが多い。
論文 参考訳（メタデータ） (2023-10-02T17:55:17Z) - BottleFit: Learning Compressed Representations in Deep Neural Networks
for Effective and Efficient Split Computing [48.11023234245863]
圧縮速度が強い場合でも高い精度を達成するための新しいトレーニング戦略を含む,BottleFitと呼ばれる新しいフレームワークを提案する。
BottleFitは77.1%のデータ圧縮を実現し、ImageNetデータセットでは最大で0.6%の精度でロスする。
本稿では,BottleFitが消費電力とレイテンシを最大で49%,(w.r.t.)ローカルコンピューティングでは89%,エッジオフロードでは37%,W.r.t.エッジオフロードでは55%削減することを示した。
論文 参考訳（メタデータ） (2022-01-07T22:08:07Z) - Cold Brew: Distilling Graph Node Representations with Incomplete or
Missing Neighborhoods [69.13371028670153]
本稿では,SCS(Strict Cold Start)問題に対する誘導型GNNの有効性を検討するために,FCR(Feature-Contribution ratio)を導入する。
実験により,FCRはグラフデータセットの様々な成分の寄与を阻害し,コールドブリューの優れた性能を示す。
論文 参考訳（メタデータ） (2021-11-08T21:29:25Z)
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。