# 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。

Source: https://greenai.guide/ja/ハウツー/研究プロジェクトの計算予算はどう決めればいい/  
Updated: 2026-11-19

## 要点

主な実験に必要な GPU 時間を見積もり、試行錯誤のための余裕を加え、お金と同じようにその予算に対する使用量を追跡しましょう。アイデアは小さな規模で予備実験し、見込みのない実行は早めに止め、事前学習済みのモデルやチェックポイントを再利用し、かかった計算量に対する結果を報告します。予算があればトレードオフが見えるようになり、終わりのない調整を防げます。

## Steps

1. 主な実験の GPU 時間を見積もり、試行錯誤のための余裕を明記して加えます。
2. 規模を広げる前に、小さな規模の予備実験で見込みのないアイデアを除外します。
3. 実験ごとの GPU 時間とエネルギーを、予算に照らして追跡します。
4. 大きなグリッドサーチの代わりに、見込みのない実行は早期打ち切りにします。
5. 合うものがあれば、事前学習済みのモデルやチェックポイントを再利用します。
6. kWh あたりの精度など、計算量に対する結果を報告します。

**プロジェクトで使ってよい計算量を事前に決め、それを追跡しましょう。** 予算がなければ、追加の実行は無料のように感じられ、わずかな精度の向上にかかるエネルギーが比べられることはありません。

## 予算はどう見積もればよいですか？ {#how-do-i-estimate-the-budget}

計画している実験から考えましょう。モデルのサイズ、データの量、実行の回数から、おおよその GPU 時間がわかります。Lannelongue、Grealey、Inouye による Green Algorithms の計算ツールは、ハードウェア、実行時間、メモリ、場所からエネルギーと炭素の推定値を出してくれるので、予算が何を意味するかがわかります。試行錯誤の分は上限なしにせず、余裕として明記して加えましょう。

## プロジェクトを予算内に収めるには？ {#what-keeps-a-project-inside-budget}

- **まず小さな予備実験。** 小さなモデルとデータの一部で、見込みのないアイデアを除外します。
- **効率的な探索。** 見込みのない実行は早めに止めます。[ハイパーパラメータ探索のエネルギーを減らす方法](/ja/ハウツー/ハイパーパラメータ探索のエネルギーを減らすには/)をご覧ください。
- **再利用。** 事前学習済みのモデルと保存したチェックポイントから始めます。[ゼロからの学習を避ける方法](/ja/ハウツー/ai-モデルをゼロから学習せずに済ませるには/)をご覧ください。
- **どこで、何を使って実行するかを選ぶ。** Patterson らは、モデル、データセンター、プロセッサーの選び方によって、学習のカーボンフットプリントを最大でおよそ 100〜1,000 分の 1 に減らせることを明らかにしました。

## よくある間違い {#common-mistakes}

- **最終的な実行だけを予算に入れること。** 通常は試行錯誤が計算量の大部分を占めます。
- **チェックポイントがないこと。** 失敗すると最初からやり直しになります。
- **最高精度だけを報告すること。** これでは多く使うほど評価されてしまいます。

Lannelongue らの GREENER 原則は、研究グループや機関向けの枠組みを示しています。[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

- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
