CARINA: 反復産業分析のカーボンアウェア実行

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Carbon-aware computing technique applicable to recurrent industrial workloads; can be extended with real-time grid data.

🏢実務担当者:Can be adopted by companies with heavy analytics workloads to reduce energy cost and carbon footprint via peak-time scheduling.

反復的な産業分析および機械学習ワークフローは、現代の工学実務において主要な計算負荷となりつつある。大規模なパラメトリックデータベース生成、スケジュールされたモデル再訓練、反復的な評価パイプライン、および広範なハイパーパラメータ探索は、リフレッシュサイクルあたり数百時間の実行時間と数十キロワット時の電力を要求し得るが、これらのワークロードが明示的なエネルギー意識を持って実行されることは稀である。我々は、反復的分析のエネルギー意識的かつ炭素意識的な実行のための測定・推定フレームワークであるCARINA（Carbon-Aware Recurrent Industrial Analytics）を提示する。本フレームワークは、軽量な実行レベルおよびステップレベルの計測、ピーク時間を意識した実行制御、およびローカルダッシュボードレポートを組み合わせる。本手法は、エネルギー負荷を主要目的として推定し、それをローカルグリッド排出係数を用いて炭素排出量に換算することで、デバイスレベルの直接的な炭素計測が利用できない場合でも使用を可能にする。我々は、2つの自動車OEMデータベース生成ワークフローを用いて本フレームワークを評価する。1つ目は148万シナリオ、180.30時間、48.67 kWhを必要とし、2つ目は366万シナリオ、274.75時間、74.16 kWhを必要とした（それぞれ約21.8 kg CO2eおよび33.2 kg CO2eに相当）。予備的なポリシー分析は、ピークを意識した時間外ブースティングが約7%の実行時間オーバーヘッドで全サイクルのエネルギー負荷を約9%削減できる一方、単純なスロットリングはオーバーヘッド効果を通じて総エネルギーを増加させ得ることを示唆している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Recurring industrial analytics and machine-learning workflows are becoming a major computational burden in modern engineering practice. Large parametric database generation, scheduled model retraining, repeated evaluation pipelines, and extensive hyperparameter exploration can demand hundreds of runtime hours and tens of kilowatt-hours per refresh cycle, yet these workloads are rarely executed with explicit energy-awareness. We present CARINA (Carbon-Aware Recurrent Industrial Analytics), a measurement-and estimation framework for energy-aware and carbon-aware execution of recurrent analytics. The framework combines lightweight run-level and step-level instrumentation, peak time-aware execution control, and local dashboard reporting. The method estimates energy load as the primary objective and translates it to carbon emissions using a local grid emission factor, enabling use even when direct device level carbon metrology is unavailable. We evaluate the framework using two automotive OEM database-generation workflows. The first required 1.48 million scenarios, 180.30 h, and 48.67 kWh; the second required 3.66 million scenarios, 274.75 h, and 74.16 kWh (corresponding to approximately 21.8 kg CO2e and 33.2 kg CO2e, respectively). Preliminary policy analysis suggests that peak-aware off-hours boosting can reduce full-cycle energy load by about 9% with roughly 7% runtime overhead, while naive throttling can increase total energy through overhead effects.

• openalex https://arxiv.org/abs/2605.24561first seen 2026-06-18 05:44:30