greenai.guide

ホーム › どうすれば…? › 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?

どうすれば…?

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?

更新日 · 1分で読めます

要点

ハードウェア、調整や失敗を含む全実行の GPU 時間、使ったツールを添えた kWh 単位のエネルギー、場所と電力網の炭素強度、kg CO₂e 単位の排出量、そして明記したバッチサイズでの推論のエネルギーを報告しましょう。算定範囲に何が含まれるか、数値にどれだけ不確かさがあるかも示します。CodeCarbon などのツールで進めながら測っておけば、後から再構成するのではなく、表にまとめるだけで済みます。

手順

  1. 最終的な実行だけでなく、プロジェクトの最初からすべての実行のエネルギーを記録します。
  2. ハードウェア、GPU 時間、エネルギー、場所、電力網の炭素強度、排出量を、標準的な表で報告します。
  3. 明記したバッチサイズとシーケンス長で、1,000 リクエストあたりの推論のエネルギーを示します。
  4. データセンターの間接的な消費を含めるかどうかなど、算定範囲を明記します。
  5. 最高スコアとあわせて、kWh あたりの精度など、計算量に対する結果を報告します。

計算量とエネルギーは、脚注ではなく標準的な結果として報告しましょう。 それがなければ効率に関する主張は確かめられず、わずかな精度の向上に 10 倍のエネルギーがかかったのかどうか、読者にはわかりません。

この主張は早くからなされてきました。Strubell、Ganesh、McCallum は 2019年に、いくつかの言語モデルの学習にかかる金銭的・環境的コストを定量化し、Schwartz らは「Green AI」で、精度とあわせて効率を報告するよう論じました。

表には何を含めるべきですか?

項目 例
ハードウェア GPU の機種と台数、CPU、メモリ
実行時間 最終的な実行の GPU 時間と、すべての調整や失敗した実行の GPU 時間
エネルギー kWh(実測か推定か、ツールとバージョンも)
場所 国または電力網の地域と、使った炭素強度
排出量 kg CO₂e
推論 明記したバッチサイズとシーケンス長での 1,000 リクエストあたりのエネルギー
算定範囲 冷却やデータセンターの間接的な消費(PUE)を含めるかどうか

モデルを公開する場合は、これらの数値を Hugging Face のモデルカードの co2_eq_emissions 項目にも写しましょう。

よくある間違い

  • 最も良かった実行だけを報告すること。 その背後にある探索が、通常はエネルギーの大部分を占めます。
  • 不確かさを示さないこと。 電力モデルによる推定は、計測値と異なることがあります。幅を示しましょう。
  • 否定的な結果を省くこと。 うまくいかなかった効率化の手法を報告すれば、他の人が同じことを繰り返さずに済みます。

Lannelongue らの GREENER 原則は、研究グループや機関向けのより広い枠組みを示しています。研究者向けガイドとAI のエネルギーを測る方法をご覧ください。

出典

  1. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  2. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  3. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  4. Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)

参加する

AI が地球に与える影響を減らすために

新しいガイド、資金の公募、ディレクトリの掲載情報を、月に1回ほどメールでお届けします。または、製品、講座、PhD、研究をディレクトリに追加してください。

トラッキングなし。ワンクリックで配信停止できます。 その他の参加方法 · プライバシー