[論文レビュー] GaiaFlow: Semantic-Guided Diffusion Tuning for Carbon-Frugal Search

Rong Fu, Jia Yee Tan+9 more|arXiv (Cornell University)|Feb 17, 2026

Advanced Neural Network Applications被引用数 0

ひとこと要約

GaiaFlowは、取得効果と環境影響のバランスを取るためのクエリごとの設定を最適化するセマンティックガイド付き拡散チューニングフレームワークを導入。取得ガイド付き Langevin サンプラーとオンラインキャリブレーションを用い、ハードウェア非依存のカーボン意識検索を実現。

ABSTRACT

As the burgeoning power requirements of sophisticated neural architectures escalate, the information retrieval community has recognized ecological sustainability as a pivotal priority that necessitates a fundamental paradigm shift in model design. While contemporary neural rankers have attained unprecedented accuracy, the substantial environmental externalities associated with their computational intensity often remain overlooked in large-scale deployments. We present GaiaFlow, an innovative framework engineered to facilitate carbon-frugal search by operationalizing semantic-guided diffusion tuning. Our methodology orchestrates the convergence of retrieval-guided Langevin dynamics and a hardware-independent performance modeling strategy to optimize the trade-off between search precision and environmental preservation. By incorporating adaptive early exit protocols and precision-aware quantized inference, the proposed architecture significantly mitigates operational carbon footprints while maintaining robust retrieval quality across heterogeneous computing infrastructures. Extensive experimental evaluations demonstrate that GaiaFlow achieves a superior equilibrium between effectiveness and energy efficiency, offering a scalable and sustainable pathway for next-generation neural search systems.

研究の動機と目的

• 神経情報検索における環境影響の考慮の必要性を喚起し、カーボン意識フレームワークを検索に適用する。
• ガイアフローを提案し、拡散ベースのチューニングを検索目的と統合してカーボンと待機時間を低減しつつ品質を維持する。
• 操作回数に基づくハードウェア非依存のパフォーマンスモデルを開発し、システム間の生態系フットプリントを比較できるようにする。
• 異種のハードウェアに対しても性能を維持する適応メカニズム（早期終了、量子化、オンラインキャリブレーション）を導入する。
• 標準ベンチマークでの効果とエネルギートレードオフの改善を実証的に示す。

提案手法

• カーボンと待機時間の勾配ベース最適化を可能にする differentiable surrogates を PEIR に拡張する。
• エネルギーと意味的品質を同時に最適化する潜在拡散事前分布と検索ガイド付き Langevin サンプラーを導入する（U および V 項）。
• Carbon、Latency、Effectiveness を微分可能なサロゲートで結合した differentiable green potential U( ) を定義する。
• ハードウェア固有の係数を用いてメモリ操作 Mop および flop 数で Carbon と Latency をモデル化する。
• 実際のパフォーマンスに基づく設定埋め込みと照合するハイブリッド類似度目的を用いて、パフォーマンス一貫性のある検索モデルを訓練する。
• オンラインキャリブレーション（EW-RLS と PUE 補正）とリアルタイム適応性を持つ早期終了/量子化推論パイプラインを組み込む。

Figure 1: Overview of the GaiaFlow framework for semantic-guided, carbon-frugal search optimization. An incoming query $q$ is encoded by the Input & Retrieval Tower into a semantic embedding $u_{q}$ . In the Latent Manifold , a Retrieval-Guided Langevin Sampler explores the configuration space $\mat

実験結果

リサーチクエスチョン

• RQ1 拡散誘導チューニングを用いて、検索品質を損なうことなく神経情報検索におけるカーボン排出を最小化できるか。
• RQ2 操作回数に基づくハードウェア非依存のパフォーマンスモデルは、多様なアーキテクチャ間で待機時間とエネルギーを信頼して予測できるか。
• RQ3 検索引力（意味的ガイダンス）が収束速度と全体の効率に与える影響はどの程度か。
• RQ4 オンラインキャリブレーションと量子化推論は実運用環境で安定した性能を維持するうえでどれほど有効か。

主な発見

Method	L_AMD (ms)	L_Intel (ms)	Mop (10^6)	L_AMD/BM25	L_Intel/BM25	Mop/BM25
BM25	13.90	12.26	5.4116	1.00	1.00	1.00
BM25-T5	17.15	18.32	7.3242	1.23	1.49	1.35
DeepImpact	24.50	26.37	17.9721	2.49	2.60	2.70
SPLADEV2	277.97	290.97	161.8180	28.24	28.66	24.28
uniCOIL-T5	48.92	50.69	32.4773	4.97	4.99	4.87
uniCOIL-TILDE	40.88	41.32	26.5466	4.15	4.07	3.98
GaiaFlow	10.00	9.00	4.0000	0.719	0.734	0.739

• GaiaFlowは MS-MARCO dev で強力なベースラインと比較して効果–エネルギーのバランスが良好である（recall@1000 および研究で報告されるカーボン/待機時間指標）。
• GaiaFlow はベースラインと比較して待機時間と Mop（メモリ操作）を削減し、GaiaFlow が最も低い Mop を示し、一般に待機時間も低い。
• 検索引力成分（nabla_z V）は収束を加速し、ガイアフローが gamma2>0 のとき待機時間とカーボンを削減する。
• 微分可能な PEIR ベースの待機時間代替とオンラインキャリブレーションを組み合わせると、方法とハードウェア間で待機時間の予測精度が高い R2 を提供する。
• 係数推定のサブサンプリング（5% 程度）で待機時間モデルが得られ、実用的なオンラインキャリブレーションを可能にする。
• GaiaFlow は待機時間係数のプラットフォーム横断的な移植性を示し、ハードウェア非依存の展開をサポートする。

Figure 2: Measured versus predicted carbon emissions. Each point corresponds to a query instance. The dashed diagonal denotes perfect prediction, while the shaded region indicates a $\pm 10\%$ relative error band. Results show that the predictor remains well-calibrated across a wide dynamic range.