# 연구 프로젝트의 연산 예산은 어떻게 정하나요?

> GPU 시간 추정, 소규모 시험, 부진한 실행 조기 종료, 모델 재사용, 연산량 대비 결과 보고로 AI 연구의 연산 예산을 정하고 추적하는 방법입니다.

Source: https://greenai.guide/ko/방법/연구-프로젝트의-연산-예산은-어떻게-정하나요/  
Updated: 2026-11-19

## 요약

주요 실험에 필요한 GPU 시간을 추정하고 탐색을 위한 여유분을 더한 다음, 돈처럼 예산 대비 사용량을 추적하십시오. 아이디어는 작은 규모로 먼저 시험하고, 부진한 실행은 일찍 멈추고, 사전 학습된 모델과 체크포인트를 재사용하고, 결과를 그에 든 연산량과 함께 보고하십시오. 예산이 있으면 맞바꿈이 눈에 보이고 끝없는 튜닝을 막을 수 있습니다.

## Steps

1. 주요 실험의 GPU 시간을 추정하고, 탐색을 위한 여유분을 명시해 더하십시오.
2. 규모를 키우기 전에 소규모 시험으로 아이디어를 걸러 내십시오.
3. 실험별 GPU 시간과 에너지를 예산과 비교해 추적하십시오.
4. 대규모 그리드 탐색 대신 부진한 실행에 조기 종료를 쓰십시오.
5. 알맞은 경우 사전 학습된 모델과 체크포인트를 재사용하십시오.
6. kWh당 정확도처럼 연산량 대비 결과를 보고하십시오.

**프로젝트가 쓸 수 있는 연산량을 미리 정하고 추적하십시오.** 예산이 없으면 추가 실행이 공짜처럼 느껴지고, 작은 정확도 향상에 드는 에너지를 따져 보지 않게 됩니다.

## 예산은 어떻게 추정하나요? {#how-do-i-estimate-the-budget}

계획에 있는 실험에서 출발하십시오. 모델 크기, 데이터 크기, 실행 횟수로 대략적인 GPU 시간을 알 수 있습니다. Lannelongue, Grealey, Inouye의 Green Algorithms 계산기는 하드웨어, 실행 시간, 메모리, 위치를 에너지와 탄소 추정치로 바꿔 주므로 예산이 무엇을 뜻하는지 파악하는 데 도움이 됩니다. 탐색은 제한 없이 두지 말고 여유분을 명시해 더하십시오.

## 프로젝트를 예산 안에 묶어 두려면 무엇이 필요한가요? {#what-keeps-a-project-inside-budget}

- **작은 시험부터.** 작은 모델과 데이터 일부로 아이디어를 걸러 내십시오.
- **효율적인 탐색.** 부진한 실행은 일찍 멈추십시오. [하이퍼파라미터 탐색의 에너지 줄이기](/ko/방법/하이퍼파라미터-탐색에-드는-에너지를-줄이려면-어떻게-해야-하나요/)를 참고하십시오.
- **재사용.** 사전 학습된 모델과 저장된 체크포인트에서 시작하십시오. [처음부터 학습하지 않기](/ko/방법/모델을-처음부터-학습시키지-않으려면-어떻게-해야-하나요/)를 참고하십시오.
- **어디서 무엇으로 실행할지 고르기.** Patterson과 동료들은 모델, 데이터센터, 프로세서 선택으로 학습의 탄소 발자국을 최대 약 100~1,000배 줄일 수 있음을 발견했습니다.

## 흔한 실수 {#common-mistakes}

- **최종 실행만 예산에 넣는 것.** 대개 탐색이 연산의 대부분을 차지합니다.
- **체크포인트가 없어서** 실패하면 처음부터 다시 시작해야 하는 것.
- **최고 정확도만 보고하는 것.** 더 많이 쓸수록 보상받게 됩니다.

Lannelongue와 동료들의 GREENER 원칙은 연구 그룹과 기관을 위한 프레임워크를 제공합니다. [연구자를 위한 가이드](/ko/가이드/연구자를-위한-그린-ai/)를 참고하십시오.

## 출처

- [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)
