要点
まず測定から始めましょう。多くのクラスターでは Slurm スケジューラーがジョブごとのエネルギーを記録しており、足りない部分は CodeCarbon や Green Algorithms 計算ツールで補えます。そのうえで、必要な分の GPU、メモリ、時間だけを要求し、アイデアは小さな規模で試し、長いジョブにはチェックポイントを取り、時間に融通の利くジョブは電力網がクリーンなときに実行します。最終的な実行だけでなく、プロジェクト全体のエネルギーを報告しましょう。
手順
- クラスターがジョブのエネルギーを記録しているか確認します。たとえば Slurm の ConsumedEnergy フィールドです。
- ジョブが実際に必要とする GPU、メモリ、実行時間だけを要求します。
- 実験の規模を大きくする前に、小さな試験運用を行います。
- 長いジョブにはチェックポイントを取り、失敗や中断で完了した作業が無駄にならないようにします。
- クラスターが許す範囲で、時間に融通の利くジョブを電力網がクリーンな時間帯に予約します。
- チューニングや失敗した実行も含め、プロジェクト単位のエネルギーを報告します。
共有クラスターでは誰も請求書を見ないため、エネルギーを見過ごしがちです。 しかし、必要以上に要求した GPU や放置されたジョブはどれも電力を使い、ほかの人を待たせます。
自分のジョブの使用量はどう確認する?
- Slurm の
sacctは、クラスターでエネルギー記録が有効になっていれば、ジョブの ConsumedEnergy を報告できます。有効になっているかどうか、研究計算の担当チームに尋ねてください。 - CodeCarbon はジョブの中で実行でき、そのドキュメントではインターネットに接続できない計算ノードについても説明しています。
- Green Algorithms(Lannelongue、Grealey、Inouye)は、ハードウェア、実行時間、メモリ、場所からフットプリントを推定するもので、過去のジョブに向いています。
最も効果が大きいもの
- 適正なサイズの要求。 GPU を4台要求して1台しか使わなければ、3台が確保されたまま遊んでしまいます。
- 試験運用と早期停止。 エネルギーの大半は試行錯誤に使われます。見込みの薄いアイデアは早めに打ち切りましょう。ハイパーパラメーター探索のエネルギーを減らすをご覧ください。
- チェックポイント。 クラッシュや時間制限があっても、最初からやり直さずに済みます。
- 再利用。 各自が自分で用意する代わりに、事前学習済みモデルや共有データセットを使います。
数学者、計算機科学者、産業界が集まった 2026年の英国のグリーン AI サンドピット(集中討議型ワークショップ)でも、そもそもモデルを学習させる前に、よく知られた数値計算の手法ですでに問題を解けないか確かめることが強調されました。
よくある間違い
- クラスターを無料のものとして扱う。 GPU 時間を予算のように管理しましょう。計算予算の立て方をご覧ください。
- 論文で最終的な実行だけを報告する。
Lannelongue らの GREENER 原則は、研究グループや機関のための枠組みを示しています。研究者向けガイドをご覧ください。
出典
- Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
- Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
関連
研究プロジェクトの計算予算はどう決めればいい?
AI 研究の計算予算を決めて追跡する方法です。GPU 時間を見積もり、小さく試し、見込みのない実行は早めに止め、モデルを再利用し、計算量に対する結果を報告します。
AI 研究のエネルギー使用量は論文でどう報告すればいい?
論文に載せるべき計算量とエネルギーの項目です。ハードウェア、全実行の GPU 時間、エネルギー、場所、炭素、推論コスト、算定範囲を示します。
ハイパーパラメータ探索のエネルギーを減らすには?
少ない計算でモデルを調整する方法です。全組み合わせより賢い探索、見込みのない試行の早期打ち切り、小さな予備実験、よい既定値、予算の設定を紹介します。
研究者のためのグリーン AI
研究者向けのガイドです。効率的な AI の手法、論文でのエネルギーの測定と報告、計算予算、研究資金、数学が役立つ場面を解説します。