W skrócie
Należy zacząć od pomiaru: wiele klastrów rejestruje energię każdego zadania w harmonogramie Slurm, a CodeCarbon lub kalkulator Green Algorithms mogą uzupełnić luki. Następnie należy zamawiać tylko tyle GPU, pamięci i czasu, ile potrzeba, testować pomysły na małą skalę, zapisywać checkpointy w długich zadaniach i planować elastyczne zadania na godziny czystszej sieci. Energię należy raportować dla całych projektów, a nie tylko dla końcowych uruchomień.
Kroki
- Sprawdzić, czy klaster rejestruje energię zadań, np. w polu ConsumedEnergy w Slurm.
- Zamawiać tylko tyle GPU, pamięci i czasu, ile zadanie faktycznie potrzebuje.
- Przed skalowaniem eksperymentu przeprowadzić małe pilotaże.
- Zapisywać checkpointy w długich zadaniach, aby awarie i przerwy nie marnowały wykonanej pracy.
- Planować elastyczne zadania na godziny czystszej sieci, jeśli klaster na to pozwala.
- Raportować energię na poziomie projektu, w tym strojenie i nieudane uruchomienia.
We współdzielonych klastrach łatwo zapomnieć o energii, bo nikt nie widzi rachunku. Jednak każde nadmiarowo zamówione GPU i porzucone zadanie zużywa energię i każe innym czekać.
Jak sprawdzić, ile zużywają moje zadania?
sacctw Slurm może podawać ConsumedEnergy zadania, jeśli klaster ma włączone rozliczanie energii. Warto zapytać zespół obliczeń naukowych, czy jest ono włączone.- CodeCarbon może działać wewnątrz zadań, a jego dokumentacja opisuje też węzły obliczeniowe bez dostępu do internetu.
- Green Algorithms, autorstwa Lannelongue, Grealey i Inouye, szacuje ślad na podstawie sprzętu, czasu działania, pamięci i lokalizacji, co sprawdza się przy wcześniejszych zadaniach.
Co daje największą różnicę
- Zamówienia dopasowane do potrzeb. Zamówienie czterech GPU i użycie jednego zostawia trzy zarezerwowane i bezczynne.
- Pilotaże i wczesne zatrzymywanie. Najwięcej energii idzie na eksplorację; słabe pomysły należy odrzucać wcześnie. Zob. jak ograniczyć energię przeszukiwania hiperparametrów.
- Checkpointy, aby awarie i limity czasu nie oznaczały zaczynania od nowa.
- Ponowne wykorzystanie wytrenowanych modeli i wspólnych zbiorów danych, zamiast przygotowywania własnych przez każdą osobę.
Brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przemysłu, podkreślił też, by przed trenowaniem jakiegokolwiek modelu sprawdzić, czy problemu nie rozwiązuje już dobrze poznana metoda numeryczna.
Częste błędy
- Traktowanie klastra jako darmowego. GPU-godziny należy śledzić jak budżet; zob. jak ustalić budżet obliczeniowy.
- Raportowanie w publikacjach tylko końcowego uruchomienia.
Zasady GREENER autorstwa Lannelongue i współpracowników to ramy dla zespołów i instytucji. Zob. przewodnik dla badaczy.
Źródła
- Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
- Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
Powiązane
Jak ustalić budżet obliczeniowy dla projektu badawczego?
Jak ustalić i śledzić budżet obliczeniowy w badaniach nad AI: oszacować GPU-godziny, zacząć od pilotażu, wcześnie przerywać słabe przebiegi i raportować wyniki.
Jak raportować zużycie energii w moich badaniach nad AI?
Co podać w artykule o obliczeniach i energii: sprzęt, GPU-godziny wszystkich przebiegów, energię, lokalizację, emisje, koszt inferencji i przyjęte granice.
Jak zmniejszyć zużycie energii przy przeszukiwaniu hiperparametrów?
Jak stroić modele mniejszym nakładem obliczeń: mądrzejsze przeszukiwanie niż pełna siatka, wczesne przerywanie słabych prób, małe pilotaże i budżet.
Zielona AI dla naukowców
Przewodnik dla naukowców: efektywne metody AI, pomiar i raportowanie energii w publikacjach, budżety obliczeniowe, finansowanie i rola matematyki.