論文の概要: Choosing an energy-efficient software architecture for building system diagnostic support

• arxiv url: http://arxiv.org/abs/2610.06444v1
• Date: Mon, 05 Oct 2026 14:49:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:20:59.196174
• Title: Choosing an energy-efficient software architecture for building system diagnostic support
• Title（参考訳）: システム診断支援のためのエネルギー効率の良いソフトウェアアーキテクチャの選択
• Abstract要約: 故障検出・診断(FDD)ソフトウェアはこの問題に対処するが、その生成・運用は環境にも影響を及ぼす。 本稿では,診断ソフトウェアから直接FDDの性能とエネルギー消費を考慮したエネルギー消費モデルを提案する。 この結果から, 全体的なエネルギー効率は, FDDソフトウェアの計算要求だけでなく, その診断性能や建物規模にも依存することがわかった。
• 参考スコア（独自算出の注目度）: 2.758718993700121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Around 30\% of global energy expenditure can be attributed to the building sector, where a large portion of energy-consumption could be avoided by repairing existing faults. Fault detection and diagnosis (FDD) software addresses this issue; however, its creation and operation also have an environmental impact. The magnitude of this impact is influenced by the diagnosis architecture, as different architectures and methods have different energy demands. Yet, simply considering the energy consumed by the software itself is not sufficient to assess its overall environmental impact, since the diagnostic performance, e.g., number of detected faults or number of faults missed, also contributes to its ecological footprint. In this paper, we propose an energy-consumption model that considers FDD performance and energy spend directly by the diagnosis software. In an initial experiment, we compare several FDD architecture families, i.e., rule-based, model-based, classical machine learning, and large-language-model-based, in simulation using performance and energy-consumption values collected from prior literature. The results show that considering the computational energy and accuracy of FDD can change the relative benefit of the different approaches. Computationally efficient machine learning methods, such as random forest, provide the largest net savings on smaller buildings, whereas more resource-intensive approaches, such as fine-tuned large language models, become advantageous as building size increases. Our findings suggest that overall energy efficiency depends not only on the computational demand of the FDD software, but also on its diagnostic performance and the scale of the building.
• Abstract（参考訳）: 世界のエネルギー支出の約30倍は、既存の断層を修復することでエネルギー消費の大部分を回避できる建築セクターによる。 故障検出・診断(FDD)ソフトウェアはこの問題に対処するが、その生成・運用は環境にも影響を及ぼす。 この影響の大きさは、異なるアーキテクチャや方法が異なるエネルギー要求を持つため、診断アーキテクチャの影響を受けている。 しかし、ソフトウェア自体が消費するエネルギーを考えるだけでは、その全体的な環境影響を評価するには不十分である。 本稿では,診断ソフトウェアから直接FDDの性能とエネルギー消費を考慮したエネルギー消費モデルを提案する。 最初の実験では、従来の文献から収集した性能とエネルギー消費値を用いたシミュレーションにおいて、いくつかのFDDアーキテクチャファミリ、すなわちルールベース、モデルベース、古典的機械学習、および大規模言語モデルに基づくファミリを比較した。 その結果、FDDの計算エネルギーと精度を考慮すると、異なるアプローチの相対的な利点が変わることが示された。 ランダムフォレストのような計算効率のよい機械学習手法は、より小さな建物に最大のネットセーブを提供するのに対し、微調整された大規模言語モデルのようなリソース集約的なアプローチは、建物のサイズが大きくなるにつれて有利になる。 この結果から, 全体的なエネルギー効率は, FDDソフトウェアの計算要求だけでなく, その診断性能や建物規模にも依存することがわかった。

関連論文リスト

• A Survey on the Green Development of Large Models: From Resource-Efficient Architectures to Hardware-Software Co-Design [71.32556809242666]
  大規模AIモデルの急速な拡張は、さまざまな領域で大幅なパフォーマンスのブレークスルーをもたらした。 また、計算コスト、エネルギー消費、環境の持続可能性に関する重要な懸念を提起している。 この調査は、大規模モデルの持続的、スケーラブルで、社会的に責任のある開発に向けて、全体的なロードマップを提供することを目的としている。
  論文  参考訳（メタデータ） (2026-07-10T04:02:22Z)
• Information Capacity: Evaluating the Efficiency of Large Language Models via Text Compression [53.39128997308138]
  テキスト圧縮性能に基づくモデル効率の指標である情報容量を導入する。 主流のオープンソースモデルに対する実証的な評価は、シリーズ内のさまざまなサイズのモデルが一貫した情報容量を示すことを示している。 情報容量の特徴的な特徴は、入力と出力の両方のトークン数に影響を与えるトークン化効率が組み込まれていることである。
  論文  参考訳（メタデータ） (2025-11-11T10:07:32Z)
• Comparing energy consumption and accuracy in text classification inference [0.9208007322096533]
  本研究は,テキスト分類推定におけるモデル精度とエネルギー消費のトレードオフを系統的に評価する。 精度の点で最高の性能モデルはエネルギー効率も良いが、より大きなLCMはより低い分類精度ではるかに多くのエネルギーを消費する傾向がある。
  論文  参考訳（メタデータ） (2025-08-19T18:00:08Z)
• Energy Considerations of Large Language Model Inference and Efficiency Optimizations [28.55549828393871]
  大規模言語モデル(LLM)の規模と採用が拡大するにつれて、その計算と環境コストは上昇し続けている。 多様なNLPおよびAIワークロードにまたがる共通推論効率最適化のエネルギー含意を系統的に分析する。 本研究により, 推定効率最適化の適切な適用により, 最適化されていないベースラインから最大73%のエネルギー使用量を削減できることが判明した。
  論文  参考訳（メタデータ） (2025-04-24T15:45:05Z)
• Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations [2.2765705959685234]
  本研究では,実世界のMLOpsパイプラインにおける識別型および生成型AIモデルのエネルギー消費について検討する。 さまざまな構成、モデル、データセットにわたるレプリケーションの容易性を保証するために、ソフトウェアベースのパワー測定を採用しています。
  論文  参考訳（メタデータ） (2025-03-31T10:28:04Z)
• Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
  Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。 Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。 レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
  論文  参考訳（メタデータ） (2023-07-19T01:05:33Z)
• Estimating Deep Learning energy consumption based on model architecture and training environment [5.465797591588829]
  モデルアーキテクチャと学習環境がエネルギー消費に与える影響について検討する。 適切なモデル学習環境の組み合わせを選択することで、トレーニングのエネルギー消費を最大80.68%削減できることがわかった。 本稿では,STEP(Stable Training Epoch Projection)とPRE(Pre-Treging Regression-based Estimation)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-07T12:07:59Z)
• On Feature Diversity in Energy-based Models [98.78384185493624]
  エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。 EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
  論文  参考訳（メタデータ） (2023-06-02T12:30:42Z)
• Energy Efficiency of Training Neural Network Architectures: An Empirical Study [11.325530936177493]
  ディープラーニングモデルの評価は、伝統的に精度、F1スコア、関連する指標などの基準に焦点を当ててきた。 このようなモデルを訓練するために必要な計算は、大きな炭素フットプリントを必要とする。 本研究では, DLモデルアーキテクチャと環境影響との関係を, エネルギー消費の観点から検討した。
  論文  参考訳（メタデータ） (2023-02-02T09:20:54Z)

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。