미국 전력망별 저탄소 LLM 학습 전략 연구

수디르 가네시 고팔라크리슈난(Sudhir Ganesh Gopalakrishnan), 아르빈드 P. 라비쿠마르(Arvind P. Ravikumar), 세르히오 카스테야노스(Sergio Castellanos) 연구진은 대규모 언어 모델 학습의 시간이나 장소를 바꾸면 전력 사용에 따른 CO₂ 배출을 줄일 수 있는지 평가했습니다. 2026년 《환경 연구: 인프라와 지속가능성》에 게재된 연구는 WattTime이 제공한 2025년 한계운영 CO₂ 배출률(MOER) 자료를 사용해 미국 전력망 운영자 CAISO, ERCOT, MISO, PJM의 하위 지역 43곳을 분석했습니다. 대표 학습 작업에는 Meta의 LLaMA 3.1 모델군을 적용했습니다.

연구진은 네 가지 시나리오를 모의실험했습니다. 탄소 배출을 고려해 위치를 정하되 실시간 운영 조정은 하지 않는 기본 방식(S1), 배출 임계값에 따라 학습을 멈추는 방식(S2), 전력망 지역 간 작업을 이상적으로 옮기는 방식(S3), 이동에 드는 추가 부담을 반영하는 방식(S4)입니다. 결과는 전력망별로 달랐습니다. ERCOT에서는 풍력 비중이 높은 구역과 태양광 비중이 큰 구역 사이에서 학습을 옮겨 배출량을 최대 36% 줄였고, 서로 다른 전력망 운영자 간 이동 구성에서는 67.3% 감축했습니다. 이 구성에서 CAISO와 ERCOT이 전체 학습 시간의 80% 넘게 맡았습니다.

하위 지역별 배출 양상이 비슷한 PJM에서는 위치 이동으로 배출량이 0.3% 줄어드는 데 그쳤지만, 학습을 멈추는 방식은 S1보다 배출량을 최대 17.2% 낮췄습니다. 학습 중단에 따른 배출량 감축과 학습 시간의 관계는 비선형적이었습니다. 중간 수준의 배출 감축에는 학습 시간이 조금만 늘었지만, 배출량을 거의 0으로 낮추려면 기준 학습 시간의 거의 4배가 필요했습니다. 연구진은 전력망별 전략이 단기 탈탄소화에 도움이 될 수 있다고 밝혔으며, 데이터 이동에 따른 추가 부담을 실제로 측정하는 일을 개선 과제로 제시했습니다.

수디르 가네시 고팔라크리슈난(Sudhir Ganesh Gopalakrishnan), 아르빈드 P. 라비쿠마르(Arvind P. Ravikumar), 세르히오 카스테야노스(Sergio Castellanos) 연구진은 대규모 언어 모델 학습의 시간이나 장소를 바꾸면 전력 사용에 따른 CO₂ 배출을 줄일 수 있는지 평가했습니다. 2026년 《환경 연구: 인프라와 지속가능성》에 게재된 연구는 WattTime이 제공한 2025년 한계운영 CO₂ 배출률(MOER) 자료를 사용해 미국 전력망 운영자 CAISO, ERCOT, MISO, PJM의 하위 지역 43곳을 분석했습니다. 대표 학습 작업에는 Meta의 LLaMA 3.1 모델군을 적용했습니다.

연구진은 네 가지 시나리오를 모의실험했습니다. 탄소 배출을 고려해 위치를 정하되 실시간 운영 조정은 하지 않는 기본 방식(S1), 배출 임계값에 따라 학습을 멈추는 방식(S2), 전력망 지역 간 작업을 이상적으로 옮기는 방식(S3), 이동에 드는 추가 부담을 반영하는 방식(S4)입니다. 결과는 전력망별로 달랐습니다. ERCOT에서는 풍력 비중이 높은 구역과 태양광 비중이 큰 구역 사이에서 학습을 옮겨 배출량을 최대 36% 줄였고, 서로 다른 전력망 운영자 간 이동 구성에서는 67.3% 감축했습니다. 이 구성에서 CAISO와 ERCOT이 전체 학습 시간의 80% 넘게 맡았습니다.

하위 지역별 배출 양상이 비슷한 PJM에서는 위치 이동으로 배출량이 0.3% 줄어드는 데 그쳤지만, 학습을 멈추는 방식은 S1보다 배출량을 최대 17.2% 낮췄습니다. 학습 중단에 따른 배출량 감축과 학습 시간의 관계는 비선형적이었습니다. 중간 수준의 배출 감축에는 학습 시간이 조금만 늘었지만, 배출량을 거의 0으로 낮추려면 기준 학습 시간의 거의 4배가 필요했습니다. 연구진은 전력망별 전략이 단기 탈탄소화에 도움이 될 수 있다고 밝혔으며, 데이터 이동에 따른 추가 부담을 실제로 측정하는 일을 개선 과제로 제시했습니다.