Explorando el efecto ambiental del escalamiento multi-GPU en la relación energía-tiempo-CO2e durante el entrenamiento de modelos de aprendizaje profundo para visión
REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA · 15.07.2026 · 2 (48) · 124-139
DOI: 10.24054/rcta.v2i48.4569 ↗Kurz gefasst
Fachartikel in der Zeitschrift REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA, online erschienen am 15.07.2026. Verfasst von Carlos Nelson Henríquez Miranda und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
El escalamiento de GPU es una estrategia ampliamente usada para reducir el tiempo de entrenamiento de modelos profundos de visión. Sin embargo, una reducción del tiempo no implica necesariamente una reducción del consumo energético. Este trabajo explora el impacto del escalamiento de GPU en la relación energía-tiempo-CO2e durante el entrenamiento de un modelo profundo de visión (dataset: CIFAR-10, arquitectura: ResNet-50) bajo un presupuesto fijo de cómputo para minimizar la variabilidad. La energía se midió directamente a nivel de componentes combinando contadores Intel RAPL para CPU y energía acumulada por GPU vía NVIDIA NVML, y se estimó el CO2e con CodeCarbon usando una intensidad de carbono de 0.20 kgCO2e/kWh (sensibilidad: 0.10-0.30). Se evaluaron 12 configuraciones que combinan escalamiento (de 1 a 2 GPU), precisión (FP32 vs AMP) y límites de potencia por GPU (300/250/200 W). Los resultados muestran que el escalamiento multi-GPU no siempre reduce la energía total, y que ajustes de sistema como AMP y power capping pueden mejorar de forma más consistente la eficiencia energética, identificando una región operativa cercana a 250 W por GPU que reduce energía en 4.6%-9.6% con una penalización temporal de 0.7%-1.9%. Además, las estimaciones con CodeCarbon reproducen las tendencias, pero presentan un error relativo mediano de 4.09% frente a las mediciones directas. Los resultados sugieren criterios prácticos para seleccionar configuraciones de entrenamiento que equilibren aceleración y sostenibilidad energética en visión profunda.
Zitieren
APA
Miranda, C. N. H., Cataño, M. A. S., & Torres, G. S. (2026). Explorando el efecto ambiental del escalamiento multi-GPU en la relación energía-tiempo-CO2e durante el entrenamiento de modelos de aprendizaje profundo para visión. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA, 2(48), 124-139. https://doi.org/10.24054/rcta.v2i48.4569
Vancouver
Miranda CNH, Cataño MAS, Torres GS. Explorando el efecto ambiental del escalamiento multi-GPU en la relación energía-tiempo-CO2e durante el entrenamiento de modelos de aprendizaje profundo para visión. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA. 2026;2(48):124-139. doi:10.24054/rcta.v2i48.4569
BibTeX
@article{Miranda2026,
author = {Miranda, Carlos Nelson Henríquez and Cataño, Malak Andrés Sánchez and Torres, German Sánchez},
title = {Explorando el efecto ambiental del escalamiento multi-GPU en la relación energía-tiempo-CO2e durante el entrenamiento de modelos de aprendizaje profundo para visión},
journal = {REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA},
year = {2026},
volume = {2},
number = {48},
pages = {124--139},
doi = {10.24054/rcta.v2i48.4569}
}
EUVIMED