에너지 절감은 5G 및 차세대(Beyond 5G) 네트워크에서 중요한 과제가 되었습니다. 연결된 기기의 급격한 증가는 전반적인 네트워크 에너지 수요를 증가시켜 운영 비용을 감당하기 어려운 수준으로 끌어올렸습니다. 기지국(BS)은 무선 접속망(RAN) 전체 에너지의 약 60-70%를 소비하며 에너지 사용량의 가장 큰 비중을 차지합니다. 따라서 이 문제를 해결하기 위해 본 논문에서는 사용자 단말(UE)의 동적 동작을 고려하면서 기지국의 에너지 사용량을 최적화합니다. 심층 강화학습(DRL)은 사용자 밀도가 낮을 때 기지국 전원을 자동으로 켜고 끄거나, 전송 전력을 조절하여 에너지 효율과 서비스 품질(QoS)의 균형을 맞추는 등 효과적인 에너지 절감 정책을 결정하기 위한 자연스러운 후보입니다. 그러나 과중한 학습(training) 부담과 밀집된 5G 환경에서 상태 및 행동 공간의 기하급수적인 증가는 탐험(exploration)을 점점 더 어렵게 만듭니다. 이러한 한계를 극복하기 위해, 본 논문에서는 매개변수화된 양자 회로를 통해 중첩과 얽힘을 포함한 양자 원리를 활용하여 기존 심층 신경망에 의존하는 DRL보다 훨씬 빠른 수렴(convergence)을 가능하게 하는 새로운 양자 강화학습(QRL) 알고리즘을 소개합니다. 광범위한 시뮬레이션을 통해 제안된 QRL이 단말의 이동성이 매우 높고 기지국 안테나와의 연결이 빈번하게 전환되는 상황에서도 QoS를 유지하면서 에너지 소비를 대폭 줄일 수 있음을 입증합니다. 또한, QRL은 수렴 속도와 학습 복잡도 측면 모두에서 DRL 및 Q-러닝(Q-Learning)을 일관되게 능가합니다.
모바일 체화 AI 네트워크(MEAN)는 체화 에이전트(embodied agent)가 무선 환경에서 인지, 추론, 통신 및 행동할 수 있도록 지원합니다. 이러한 네트워크에서 에이전트의 이동성은 채널 상태를 개선할 수 있으며, 시맨틱 압축(semantic compression)은 전송 페이로드를 줄일 수 있습니다. 그러나 이동은 에너지를 소비하고, 더 강한 압축은 추가적인 계산 비용을 발생시킵니다. 본 논문은 업링크 MEAN 시스템을 위한 이동, 시맨틱 압축, 송신 전력 공동 설계를 연구합니다. 제어 가능한 전력 제약 조건 하에서 송신 전력, 이동 거리, 시맨틱 압축률을 공동으로 최적화(optimization)하여 최소 에너지 효율(EE)을 최대화하는 맥스-민(max-min) 문제를 공식화합니다. 이 문제는 결합된 신호 대 간섭 및 잡음비(SINR), 이동성에 의존하는 채널 이득, 분수 형태의 EE 목적 함수로 인해 비볼록(non-convex) 문제입니다. 이를 해결하기 위해 교차 최적화(AO)-딘켈바흐(Dinkelbach) 알고리즘을 제안하며, 여기서 분수 형태의 목적 함수는 딘켈바흐 변환으로 처리되고, 송신 전력은 순차적 볼록 근사(SCA)를 통해 업데이트되며, 이동 거리는 좌표별 그리드 탐색을 통해 업데이트됩니다. 시뮬레이션 결과는 제안된 기법이 이동성이 없는 기준선(baseline)과 압축이 없는 기준선보다 우수한 성능을 보여주며, MEAN에서 이동성 제어, 시맨틱 압축, 전력 할당을 공동으로 활용하는 것의 이점을 입증합니다.
대규모 AI 모델의 급속한 확장은 다양한 분야에서 상당한 성능 돌파구를 이끌었으나, 동시에 계산 비용, 에너지 소비, 환경 지속 가능성에 관한 심각한 우려를 야기했다. 본 서베이는 자원 효율적 아키텍처와 풀스택 하드웨어-소프트웨어 공동 설계를 중심으로 대형 모델의 그린 개발에 대한 포괄적인 개요를 제공한다. 어텐션 연산자 최적화, 선형 복잡도 아키텍처, 모델 희소화 및 병합을 포함한 효율적 모델 구축의 최근 발전과 함께, 데이터 효율적 학습, 매개변수 효율적 미세조정, 계산 압축 등 학습 및 배포 전략을 체계적으로 검토한다. 알고리즘적 개선을 넘어, 주류 AI 칩, 메모리 최적화, 크로스 플랫폼 배포, 지속 가능한 인프라를 포함한 에너지 효율적 AI 하드웨어를 탐구한다. 나아가 DeepSeek, 원격 탐지 해석, 국가 규모 인프라, 글로벌 이니셔티브와 같이 지속 가능성이 중요한 분야에 대형 모델이 어떻게 적용되고 있는지 살펴본다. 마지막으로, 지속적 학습 패러다임, 메모리 중심 하드웨어, 표준화된 평가 프로토콜의 필요성을 강조하며 주요 과제와 미래 방향을 논의한다. 본 서베이는 대형 모델의 지속 가능하고 확장 가능하며 사회적으로 책임 있는 개발을 향한 총체적 로드맵을 제시하는 것을 목표로 한다.
운영체제 워크플로우 내에서 대규모 언어 모델 기반 에이전트의 도입이 증가함에 따라, 노트북급 시스템온칩(SoC)에서의 에너지 효율적인 추론의 중요성이 높아지고 있다. 클라우드 오프로딩이 여전히 일반적이지만, 이는 에이전트 워크로드에 특히 문제가 되는 신뢰성 및 개인정보 보호 문제를 야기한다. 따라서 최근 노트북 SoC는 에너지 효율에 최적화된 신경처리엔진(NPU)을 내장하고 있으나, 아키텍처의 다양성과 명시적 데이터 이동 프로그래밍 모델로 인해 NPU에 어텐션 메커니즘을 효과적으로 매핑하는 것은 여전히 어려운 과제이다. 본 연구에서는 XDNA 계열 NPU를 대상으로 하는 FlashAttention의 최초 오픈소스 구현체인 STEEL을 제안한다. STEEL은 프리필(prefill) 어텐션의 데이터플로우 정식화를 도입하여 공간적 병렬성과 온칩 메모리의 효율적인 활용을 가능하게 한다. 또한 STEEL은 희소성 인식 파이프라인 배치를 NPU 어레이에 적용함으로써 인과적 마스크(causal mask)로 인한 부하 불균형 문제를 해결하여 동기화 오버헤드를 줄이고 활용률을 향상시킨다. AMD Ryzen AI 9 HX 370 SoC에서 STEEL을 평가하고 최적화된 CPU 및 GPU 구현체와 성능을 비교한 결과, STEEL은 CPU 및 GPU 기준 대비 평균 각각 9.17배, 1.75배의 에너지 소비 절감을 달성하였다. XDNA 1에서 STEEL은 기존 최고 수준 대비 평균 9.6배의 지연 시간 감소를 달성하였으며, XDNA 2에서는 층별 어텐션 구현 대비 평균 22.8배의 속도 향상을 제공한다.
모바일 기기에서의 대규모 언어 모델(LLM) 추론 효율성을 분석하기 위해 5개 프레임워크와 CPU/GPU/NPU 3종 하드웨어 백엔드를 아우르는 최초의 포괄적 크로스 레이어 측정 연구를 수행하고, 백엔드별 에너지 귀인이 가능한 프로파일링 도구 PowerBench를 개발하였다. NPU는 연산 집약적 프리필링 단계에서 강점을 보이는 반면 메모리 집약적 디코딩에서는 CPU가 우위를 점하는 "단계 분리(phase split)" 현상과 스케줄링 비효율로 인한 최대 40% 에너지 낭비를 규명하여, 최적 구성 적용 시 NPU 백엔드 에너지 소비를 최대 54.8%까지 절감할 수 있음을 보였다.
강화학습(RL) 기반 산업 제어에서 성능과 에너지 효율 간의 최적 트레이드오프를 찾기 위해 수동 가중치 조정 대신 다목적 베이즈 최적화(MOBO)로 파레토 프론트 탐색을 자동화하는 프레임워크를 제안한다. Quanser Aero 2 테스트베드에서 qEHVI 획득 함수를 활용한 MOBO가 균일 격자 탐색 대비 적은 평가 예산으로 더 높은 하이퍼볼륨과 다양한 트레이드오프 정책을 달성함을 실험적으로 검증하였다.
데이터센터의 물 사용량은 통상 단일 발자국으로 보고되지만, 물은 물리적으로 구분된 두 경로—현장 냉각과 전력을 생산하는 전력 시스템—를 통해 소비된다. 우리는 472개의 미국 하이퍼스케일 시설에 대해 시설 위치를 전력 지역, 수문 유역, 물 스트레스 데이터와 연결함으로써 두 경로를 모두 매핑하였다. 기준선 가정 하에서 운영상 물 소비량은 연간 약 300 GL(시나리오별 범위 205~451 GL)에 달하며, 전력 관련 물이 전체의 4분의 3을 차지한다. 두 경로는 서로 다른 핫스팟 지리를 생성한다: 직접 냉각 부담은 물 스트레스를 받는 서부 및 중남부 유역에 집중되는 반면, 전력 관련 부담은 화석 연료 비중이 높은 일부 동부 전력망 지역에 집중된다. 24개의 호스팅 밸런싱 기관 중 단 3곳이 전력 관련 물 소비의 59%를 차지한다. 경로를 분리함으로써 어떤 결정이 어디에서 중요한지 파악할 수 있다: 지역적으로는 냉각 설계와 수원 조달이, 광역적으로는 전력 계획과 조달이 관건이다.
Underwater vehicles operate from a fixed onboard energy budget that propulsion rapidly depletes, so a controller that completes its task while drawing less thruster power directly extends mission range and endurance. Reinforcement learning yields capable model-free controllers for station-keeping and trajectory tracking, but optimizing task accuracy alone drives the policy toward oscillatory, energy-wasting actuation. The established remedy subtracts an energy penalty from the reward, yet this sets the task-power trade-off through a single weight with no physical units: a target power level cannot be specified, the weight must be re-tuned for every vehicle and task, and a mismatched weight can even raise power. This paper instead formulates energy-efficient underwater control as a constrained Markov decision process in which average thruster power is subject to an explicit budget, solved with a PPO-Lagrangian algorithm. The power level is set by declaring a budget in physical units, and a single dual variable is updated online to meet it for each vehicle and task, without manual weight search. Across three vehicles and four tasks in the MarineGym simulator, the energy-constrained policy draws the least power in all twelve settings, reducing it by 14--65\% (up to 64.9\%) over a task-only baseline and below an energy-reward baseline everywhere, while remaining the smoothest in ten settings and preserving task accuracy except in one deliberately power-limited regime. Imposing energy as an explicit constraint thus offers a tuning-free route to energy-efficient underwater control that needs no per-vehicle, per-task weight search.
We discuss reasons why the scaling exponents of current Large Language Models (LLMs) applications are indicating an unsustainable regime in terms of energy resources. We further show that attributing the smallness of such exponents to a numerical bias due to the neglect of a non-zero value of the loss function in the limit of infinite data (``pedestal effect") does not remove the unsustainability issue. Finally, the effects of the smoothness (roughness) of the data on the scaling exponents is commented upon based on an analogy with phenomenological models of fluid turbulence.
6G 무선망의 시계열 분류에서 도메인 변화에 대응하는 비지도 도메인 적응(UDA)의 에너지 소비를 단일 과제 학습 및 독립 재학습과 비교하고, 라벨링 비용을 반영해 UDA가 재학습보다 에너지 효율적이 되는 최소 타깃 도메인 수를 산출하는 방법을 제안한다. Green AI 관점에서 UDA가 처음부터 학습하는 방식보다 언제 유리한지 판단 기준을 제시하는 것을 목표로 한다.
스파이킹 신경망(SNNs)은 효율성과 생물학적 영감에 대한 잠재력으로 인해 컴퓨터 비전(CV) 분야에서 상당한 관심을 받아왔습니다. 스파이킹 CNN 기반 방법은 이미지 복원(IR) 작업에서 가능성을 보여주었으나, CNN 연산의 고유한 수용장(receptive field) 한계로 인해 성능이 제약받습니다. 본 논문에서는 이산 웨이블릿 변환의 이점을 탐구하고, 고효율 및 저전력이라는 목표를 달성하기 위해 스파이킹 피라미드 웨이블릿 기반 모델(SPWM)을 제안합니다. 구체적으로, 장거리 의존성(long-range dependency)을 모델링하고 웨이블릿 영역에서 열화(degradation) 특성을 활용하기 위해 스파이킹 듀얼 피라미드 웨이블릿(SDPW) 블록을 개발했습니다. 여러 벤치마크에 대한 실험 결과, SPWM은 이미지 품질을 유지하면서도 계산 비용과 에너지 소비를 획기적으로 줄이는 것으로 나타났습니다. 우리의 방법은 이미지 복원(IR) 분야에서 SNN의 잠재력을 보여주며, 자원이 제한된 기기에 대한 향후 응용을 위한 새로운 통찰력을 제공합니다.
검색-증강 생성(RAG) 파이프라인은 임베딩, 검색, 재순위화, 대규모 언어 모델(LLM) 생성을 결합하므로 연산 집약적입니다. 이를 완전히 온디바이스에서 실행하면 프라이버시, 지연 시간, 오프라인 사용에 이점이 있지만, CPU 추론의 에너지 비용은 주요 장벽입니다. 우리는 Snapdragon X Elite의 Qualcomm Hexagon NPU에서 모든 신경망 단계(임베딩, 재순위화, LLM 생성)를 실행하는, 우리가 아는 한 최초의 엔드-투-엔드 RAG 파이프라인을 제시합니다. Dell XPS 13 노트북에서 프로파일링을 수행하여, 인덱싱 및 쿼리 워크로드에 대해 NPU 가속 RAG를 CPU 및 OpenCL/Adreno GPU 기준선(baseline)과 비교했습니다. 인덱싱에서 NPU는 9.1배 더 높은 임베딩 처리량(throughput)과 12.3배 더 적은 시스템 에너지를 달성했습니다. 120개 쿼리의 Wikipedia 문단 벤치마크에서, NPU는 CPU 기준선(baseline) 대비 18.1배 더 빠른 LLM 프리필링(prefilling), 4.0배 더 낮은 엔드-투-엔드 쿼리 지연 시간, 그리고 4.0배 더 적은 시스템 에너지를 제공했습니다. 동일한 워크로드를 통합 GPU에서 실행했을 때는 CPU보다 1.7배 느리고 NPU보다 6.5배 더 많은 에너지를 사용했습니다. GPT-4.1 LLM-as-judge 평가 결과, NPU의 답변 품질은 평가자 노이즈 범위 내에서 CPU 및 GPU와 동등한 수준으로 나타났으며(1-10점 루브릭에서 평균 9.32 vs 8.95 vs 9.03), 86.7%의 쿼리가 세 가지 백엔드 모두에서 동일한 점수를 기록했습니다. 따라서 Snapdragon X Elite / Hexagon 클래스의 노트북 SoC에서 NPU는 품질 저하 없이 실용적이고 에너지 효율적인 온디바이스 RAG를 가능하게 합니다. 이는 소프트웨어 스택이 성숙해짐에 따라 유사한 모바일 NPU(Apple Neural Engine, Intel NPU, MediaTek APU)로 일반화될 것으로 기대되는 그린 엣지 인텔리전스(green edge intelligence)로 가는 지속 가능한 경로입니다.