탄소 인지 딥러닝 작업 스케줄링

최근 딥러닝 워크로드의 급증은 데이터센터의 에너지 소비와 탄소 배출량 증가로 이어지고 있습니다. 기존의 탄소 추적 및 정적 스케줄링 시스템은 실제 머신러닝 운영 과정에서 탄소 인식을 구현하기에 역량이 부족하다는 한계가 있습니다. 본 논문에서는 실시간 및 예측 탄소 집약도를 AI 학습 프로세스에 통합하는 탄소 인지 스케줄링 프레임워크인 EcoSchedAI를 제안합니다. 이 시스템은 '탄소 기회 창(carbon opportunity windows)' 개념을 도입하여 저탄소 기간 동안 학습 작업을 선제적으로 스케줄링합니다. 또한, 작업 수준 제약 조건을 통합하여 실제 시나리오에서 유연하고 실용적인 배포를 가능하게 합니다. EcoSchedAI는 CNN(합성곱 신경망)을 사용하여 기준, 규칙 기반, 강화 학습 기반 접근 방식을 포함한 세 가지 스케줄링 방법과 다중 지역 탄소 평가를 평가합니다. 이를 통해 모델 성능을 유지하면서 최대 9.72%의 탄소 절감 효과를 달성할 수 있음을 입증했습니다. 이 연구는 예측 및 제약 조건 인지 스케줄링 방법이 대규모로 운영되는 친환경 AI 시스템을 구축하는 데 어떻게 기여할 수 있는지 보여줍니다.