Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

GREEN-CODE: Learning to Optimize Energy Efficiency in LLM-based Code Generation

Created by
  • Haebom
Category
Empty

저자

Shashikant Ilager, Lukas Florian Briem, Ivona Brandic

개요

본 논문은 대규모 언어 모델(LLM)의 추론 과정에서의 에너지 소모 문제를 해결하기 위한 프레임워크인 GREEN-CODE를 제안한다. GREEN-CODE는 강화학습(RL) 에이전트를 활용하여 LLM 추론 중 동적으로 조기 종료(early exit)를 수행함으로써 정확도, 지연 시간, 에너지 소비량 간의 균형을 맞춘다. Llama 3.2 3B와 OPT 2.7B 두 개의 오픈소스 LLM과 JavaCorpus 및 PY150 데이터셋을 사용하여 평가한 결과, 코드 생성 작업에서 평균 23-50%의 에너지 소비 감소를 달성하면서 정확도는 크게 저하되지 않았음을 보였다.

시사점, 한계점

•
시사점:
◦
LLM 추론 과정의 에너지 효율성 향상을 위한 새로운 방법 제시
◦
강화학습 기반의 동적 조기 종료 전략을 통해 에너지 소비 감소와 정확도 유지의 균형 달성 가능성 확인
◦
지속 가능한 LLM 활용을 위한 실질적인 해결책 제시
•
한계점:
◦
평가에 사용된 LLM과 데이터셋의 종류가 제한적임. 다양한 LLM과 데이터셋에 대한 추가적인 실험 필요.
◦
RL 에이전트 훈련에 필요한 시간과 자원에 대한 고려 필요.
◦
실제 상용 환경에서의 성능과 에너지 효율성에 대한 검증 필요.
👍
Made with Slashpage