← 論文一覧に戻る

PUEはスケジュールを見ていない：高標高AIデータセンターにおけるGPU学習ワークロードのエネルギー・炭素トレードオフ

PUE is blind to the schedule: energy and carbon trade-offs of GPU training workloads in a high-altitude AI data centre (原題)

Xian Cai

Zenodo (CERN European Organization for Nuclear Research)プレプリント2026-09-15#省エネOrigin: CN経営インパクト: コスト削減対象セクター: power
DOI: 10.5281/zenodo.22763084
原典: https://doi.org/10.5281/zenodo.22763084

🤖 gxceed AI 要約

日本語

中国「東数西算」プログラムが西側ハブの「緑度」評価に用いるPUEが、AI学習ワークロードの炭素性能を構造的に評価できないことを示す。同一ジョブの10通りのスケジュールでPUEは小数第4位まで同一（1.1490）だが、炭素は13.1倍、グリッドエネルギーは15.7倍変動する。液冷範囲の変更は炭素を9.11%しか動かさず、同期スケジュールと開始時刻が支配的である。

English

PUE, the metric China's 'East Data, West Computing' programme uses to rank western hub clusters, is structurally incapable of ranking the carbon performance of AI training workloads. Across ten schedules of the same job, mean PUE is identical to four decimals (1.1490) while carbon spans 13.1x and grid energy 15.7x. Liquid-cooling range changes carbon by only 9.11%, whereas synchronisation schedule and start hour dominate.

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

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本でもAIデータセンターの電力・炭素管理がGX課題化する中、PUE偏重の評価指標の限界を示す。SSBJ・有報でのデータセンター関連排出開示や、再生可能エネルギー調達・カーボンフリー電源の時間別マッチング議論に直結する示唆を持つ。

In the global GX context

As AI data centres become a major disclosure and decarbonisation issue under CSRD/ISSB and corporate Scope 2 accounting, this paper challenges the use of PUE as a greenness metric and argues for schedule- and time-aware carbon accounting of compute workloads.

👥 読者別の含意

🔬研究者:PUEの構造的限界を定量的に示し、計算負荷のスケジュール・時間別炭素強度を組み込んだ評価枠組みの必要性を提示する。

🏢実務担当者:データセンターの炭素削減は冷却効率よりジョブスケジューリングと開始時刻の最適化が効く可能性を示唆する。

🏛政策担当者:PUEを緑度ランキング指標とする政策設計（東数西算等）の妥当性に再検討を促す。

📄 Abstract（原文）

Power Usage Effectiveness (PUE) is the dominant efficiency metric for data centres, and China's "East Data, West Computing" programme uses it to rank the greenness of the western hub clusters. This paper shows that PUE is structurally incapable of ranking the carbon performance of AI training workloads. A compute-phase / communication-phase model of a 100 000-step distributed training job on 10 000 accelerators is coupled to a temperature-dependent cooling model at a 2 266 m plateau site and to time-varying grid carbon intensity. Across ten feasible schedules of the same job, the mean PUE is identical to four decimal places (1.1490) while the carbon per job spans 13.1x (4.91 to 64.25 tCO2e) and the grid energy per delivered step spans 15.7x (0.142 to 2.229 kWh/step). The mechanism is that PUE is the ratio of facility power to IT power, and is therefore invariant to the compute duty cycle, which ranges from 0.685 to 0.935 across those schedules while peak IT power stays fixed at 10.40 MW. Two further results follow. The marginal carbon cost of buying one accelerator-hour of makespan is exactly P_comm x CI (0.096 kgCO2e per accelerator-kWh on a 0.30 kg/kWh grid), a quantity fixed by the accelerator's idle-phase power and the grid and completely independent of the cooling design. And the entire liquid-cooling range f = 0 to 1 changes carbon by 9.11 %, an amount that is identical at all 3 840 points of the parameter sweep, whereas the synchronisation schedule alone moves carbon by 13.1x and the job's start hour alone by 54 %. All code and data are openly available and reproduce every figure and table from the equations, with no digitised data. The results are model-derived, not measured, and the limitations are stated explicitly.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。