# グリーン AI の博士課程（PhD）を探すには？

> グリーン AI や効率的な AI の博士課程を見つけて選ぶ方法です。募集の掲載先、受け入れ分野、指導教員候補に聞くべきことを紹介します。

Source: https://greenai.guide/ja/ハウツー/グリーン-ai-の博士課程-phd-を探すには/  
Updated: 2026-11-19

## 要点

「グリーン AI」と銘打ったプロジェクト以外にも目を向けましょう。効率的な AI の研究は、計算機科学、数学、電気工学、各分野の科学にあり、効率的な機械学習、持続可能なコンピューティング、低消費電力ハードウェアといった名前で呼ばれることがよくあります。博士課程の教育プログラムやプロジェクトの一覧を探し、最近の論文を読んで活発な指導教員を見つけ、研究のなかでエネルギーをどう測るかを尋ねましょう。

## Steps

1. 「グリーン AI」だけでなく複数の検索語を使って、PhD の募集や博士課程の教育プログラムを調べます。
2. 効率的な AI に関する最近の論文を読み、この分野で活発な研究グループや指導教員を見つけます。
3. 指導教員の候補に、自分の関心と経歴を短くまとめて連絡します。
4. プロジェクトで、エネルギーと計算量をどのように測定し報告するかを尋ねます。
5. 資金、応募資格、締め切りを確認します。これらは国やプログラムによって異なります。

**幅広く探しましょう。グリーン AI の研究の多くは「グリーン AI」と銘打たれていないからです。** 効率的な手法は多くの学科にまたがり、さまざまな名前で呼ばれています。

この分野の基礎となる論文は、検索語を考えるのに役立ちます。Schwartz、Dodge、Smith、Etzioni の 2020年の論文「Green AI」は、精度と並んで効率を評価基準として扱うべきだと論じ、Strubell、Ganesh、McCallum の 2019年の論文は言語モデルの学習にかかるコストを定量化しました。これらを引用している論文は、この分野で誰が研究しているかを知るよい地図になります。

## グリーン AI の PhD を受け入れているのはどの分野ですか？ {#which-fields-host-green-ai-phds}

- **計算機科学：** 効率的な学習と推論、モデル圧縮、システムとスケジューリング。
- **数学と統計学：** 数値線形代数、最適化、スパース性、不確実性の定量化。
- **電気工学：** 低消費電力の専用ハードウェア、エッジ AI。
- **各分野の科学：** 気候、医療、工学などで、コストの高いシミュレーションを、より小さく信頼できるモデルに置き換えるプロジェクト。

役に立つ検索語：efficient machine learning（効率的な機械学習）、sustainable / low-carbon computing（持続可能・低炭素なコンピューティング）、model compression（モデル圧縮）、energy-aware computing（エネルギーを意識したコンピューティング）、edge AI（エッジ AI）、surrogate models（代理モデル）。

## どこで募集されていますか？ {#where-are-they-advertised}

当サイトの [PhD ディレクトリ](/ja/博士課程/)には博士課程の機会を、[研究ディレクトリ](/ja/研究/)には研究グループを掲載しています。各国の PhD 募集サイトや博士課程の教育プログラムには、さらに多くの募集があります。資金の規則や締め切りは国によって異なります。

## 指導教員には何を聞けばよいですか？ {#what-should-i-ask-a-supervisor}

- エネルギーと計算量をどのように測定し、報告しますか？
- どんなハードウェアと計算予算を使えますか？
- 産業界や応用分野のパートナーはいますか？
- 最近の学生はどこに進みましたか？

## よくある間違い {#common-mistakes}

- 「グリーン AI」だけで検索すること。
- 指導体制や計算資源について尋ねずに、テーマだけで選ぶこと。
- 指導教員に定型的なメッセージで連絡すること。

主な研究の方向性については、[研究者向けガイド](/ja/ガイド/研究者のためのグリーン-ai/)をご覧ください。

## 出典

- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
