要点
学習用スクリプトを CodeCarbon などの排出量トラッカーで包みましょう。CPU、GPU、メモリからエネルギーを推定し、地域の電力網を使って炭素に換算してくれます。調整や失敗も含めてすべての実行を数え、ハードウェア、場所、所要時間を記録し、結果をモデルとともに公開します。記録がない場合は、Green Algorithms などの計算ツールで後から見積もれます。
手順
- 学習用スクリプトに排出量トラッカーを追加し、必ず終了するよう finally ブロックで止めます。
- 設定を比べられるよう、実行ごとにプロジェクト名や実験名を付けます。
- ハードウェア、実行時間、場所、使った電力網の炭素強度を記録します。
- 最終的な実行だけでなく、調整、失敗、中断した実行も数えます。
- 結果の表で、精度の隣にエネルギーと排出量を載せます。
- その数値をモデルカードや論文で公表します。
後からではなく、学習しながら測りましょう。 実行ごとに記録した学習の数値があれば、精度だけでなくエネルギーでも設定を比べられ、購入者や同僚に信頼できる数値を示せます。
フットプリントを決めるものは何ですか?
Lacoste らは 2019年に、主な要因を挙げました。サーバーの場所とそれが使う電力網、学習の長さ、ハードウェアのメーカーと機種です。炭素は、エネルギーに、処理が実行された場所と時間の電力網の炭素強度を掛けたものです。
どのツールを使えばよいですか?
- CodeCarbon はオープンソースの Python パッケージで、プロセッサー、GPU、メモリの電力からエネルギーを推定し、地域の電力網のデータで換算します。チュートリアルでは、設定ごとに記録して精度と排出量を比べる方法を示しており、計算ノードがインターネットにつながらないクラスター向けの手引きもあります。
- Green Algorithms は Lannelongue、Grealey、Inouye による計算ツールで、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します。記録しなかった処理に向いています。
- Lacoste らによる Machine Learning CO2 Impact calculator も、ハードウェア、時間、プロバイダー、リージョンから同様の推定を行います。
どのように公表すればよいですか?
Hugging Face のモデルカードには co2_eq_emissions という項目があり、グラム単位の排出量、数値の出どころ、学習の種類(事前学習かファインチューニングか)、場所、使ったハードウェアを記入できます。公開するすべてのモデルについて記入しましょう。
よくある間違い
- 最終的な実行だけを報告すること。 ハイパーパラメータ探索や失敗した実行が、合計の大部分を占めることがよくあります。
- 1 時間ごとの地域のデータがあるのに、国全体の年平均を 1 つだけ使うこと。 電力網の炭素強度を見つける方法をご覧ください。
- 方法を示さずに数値を 1 つだけ示すこと。 ツール、バージョン、範囲を明記しましょう。
方法の全体はAI のエネルギーを測る方法にあります。
出典
- Comparing model efficiency with carbon tracking, CodeCarbon documentation (2025)
- Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- Quantifying the carbon emissions of machine learning, Lacoste, Luccioni, Schmidt and Dandres (2019)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
関連
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。
自分のパソコンや GPU で AI が使うエネルギーはどう測る?
ハードウェアのカウンター、GPU のテレメトリー、電力計で手元の AI のエネルギーを測り、処理全体でサンプリングし、待機時の電力を差し引きます。
モデルの学習にかかるエネルギーを減らすには?
学習のエネルギーを減らす主な方法:事前学習済みモデルから始め、規模を適正化し、混合精度を使い、早期終了し、クリーンな場所と時間を選び、測定します。
AI のエネルギーと炭素を測る方法
AI 作業のエネルギーと炭素を計測または推計するための実践ガイド。ツール、システム境界、タスクあたりの指標、不確かさの誠実な扱い方を解説します。