greenai.guide

Startseite › Wie kann ich …? › Wie senke ich den Fußabdruck von KI-Experimenten auf einem Forschungscluster?

Wie kann ich …?

Wie senke ich den Fußabdruck von KI-Experimenten auf einem Forschungscluster?

Aktualisiert · 1 Min. Lesezeit

Kurz gesagt

Beginnen Sie mit Messen: Viele Cluster erfassen im Slurm-Scheduler den Energieverbrauch pro Job, und CodeCarbon oder der Green-Algorithms-Rechner können Lücken füllen. Fordern Sie dann nur die GPUs, den Speicher und die Zeit an, die Sie brauchen, testen Sie Ideen zunächst in kleinem Maßstab, setzen Sie bei langen Jobs Checkpoints und planen Sie flexible Jobs für Zeiten, in denen das Stromnetz sauberer ist. Berichten Sie den Energieverbrauch ganzer Projekte, nicht nur der finalen Läufe.

Schritte

  1. Prüfen Sie, ob Ihr Cluster den Energieverbrauch von Jobs erfasst, zum Beispiel im Slurm-Feld ConsumedEnergy.
  2. Fordern Sie nur die GPUs, den Speicher und die Laufzeit an, die Ihr Job tatsächlich braucht.
  3. Führen Sie kleine Pilotläufe durch, bevor Sie ein Experiment hochskalieren.
  4. Setzen Sie bei langen Jobs Checkpoints, damit Abbrüche und Pausen keine bereits erledigte Arbeit vernichten.
  5. Planen Sie flexible Jobs für Stunden mit saubererem Strom, wo der Cluster das erlaubt.
  6. Berichten Sie den Energieverbrauch auf Projektebene, einschließlich Tuning und fehlgeschlagener Läufe.

Auf gemeinsam genutzten Clustern lässt sich Energie leicht ignorieren, weil niemand eine Rechnung sieht. Doch jede zu viel angeforderte GPU und jeder verwaiste Job verbraucht Strom und lässt andere warten.

Wie sehe ich, was meine Jobs verbrauchen?

  • Slurms sacct kann den ConsumedEnergy-Wert eines Jobs ausgeben, wenn auf dem Cluster die Energieerfassung aktiviert ist. Fragen Sie Ihr Research-Computing-Team, ob sie eingeschaltet ist.
  • CodeCarbon kann innerhalb von Jobs laufen, und seine Dokumentation behandelt auch Rechenknoten ohne Internetzugang.
  • Green Algorithms von Lannelongue, Grealey und Inouye schätzt den Fußabdruck aus Hardware, Laufzeit, Speicher und Standort, was sich für vergangene Jobs eignet.

Was den größten Unterschied macht

  • Passend dimensionierte Anforderungen. Wer vier GPUs anfordert und eine nutzt, lässt drei reserviert und ungenutzt.
  • Pilotläufe und Early Stopping. Die meiste Energie fließt in die Erkundung; sortieren Sie schwache Ideen früh aus. Siehe den Energieverbrauch von Hyperparameter-Suchen senken.
  • Checkpoints, damit Abstürze und Zeitlimits keinen Neustart bedeuten.
  • Wiederverwendung vortrainierter Modelle und gemeinsamer Datensätze, statt dass jede Person ihre eigenen vorbereitet.

Ein britisches Green-AI-Sandpit aus Mathematik, Informatik und Industrie im Jahr 2026 betonte zudem, zu prüfen, ob eine gut verstandene numerische Methode das Problem bereits löst, bevor man überhaupt ein Modell trainiert.

Häufige Fehler

  • Den Cluster als kostenlos behandeln. Erfassen Sie GPU-Stunden wie ein Budget; siehe ein Rechenbudget festlegen.
  • In Veröffentlichungen nur den finalen Lauf berichten.

Die GREENER-Prinzipien von Lannelongue und Kollegen bieten einen Rahmen für Gruppen und Einrichtungen. Siehe den Leitfaden für Forschende.

Quellen

  1. Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
  2. Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
  3. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  4. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)

Machen Sie mit

Helfen Sie, die Umweltwirkung von KI zu senken

Erhalten Sie neue Leitfäden, Förderausschreibungen und Verzeichniseinträge etwa einmal im Monat per E-Mail. Oder tragen Sie Ihr Produkt, Ihren Kurs, Ihre PhD-Stelle oder Ihre Forschung in die Verzeichnisse ein.

Kein Tracking. Abmeldung mit einem Klick. Weitere Möglichkeiten mitzumachen · Datenschutz