Resumen Técnico: El Impacto Energético del Diseño de Modelos de Dominio en la Planificación Clásica

Declaración del Problema

Mientras que la investigación en IA tradicionalmente ha priorizado las métricas de rendimiento algorítmico como la precisión y el tiempo de ejecución, el paradigma emergente de la "IA Verde" desafía esto al reconocer el consumo de energía como una dimensión crítica. A pesar de las altas demandas computacionales de la planificación automatizada, su eficiencia energética ha recibido poca atención. Esta brecha es particularmente significativa dada la arquitectura modular de la planificación clásica, donde los algoritmos de planificación están desacoplados del conocimiento específico de la aplicación codificado en modelos de dominio (típicamente en PDDL).

Los modeladores de dominios poseen una libertad considerable en la especificación, tomando decisiones de diseño con respecto a la granularidad de las acciones, la estructura de los predicados, el ordenamiento y el estilo de codificación. Si bien trabajos previos han establecido que estas elecciones sintácticas y semánticas influyen drásticamente en el tiempo de ejecución del planificador y la calidad de la solución, el impacto de tales configuraciones de los modelos de dominio sobre el consumo de energía permanece inexplorado. Este artículo aborda esta brecha investigando si y cómo decisiones específicas de diseño de modelos de dominio afectan la eficiencia energética de los planificadores clásicos.

Metodología

Los autores introducen un Marco de Configuración de Modelos de Dominio diseñado para variar y probar sistemáticamente aspectos de los modelos de dominio para comprender su impacto en el comportamiento del planificador. El marco organiza las características del dominio en tres categorías:

1. Elecciones de Estructura Sintáctica (SSC): Reordenar los elementos del dominio (declaraciones de predicados, definiciones de acciones, precondiciones y efectos) basándose en criterios como la frecuencia de uso, el orden alfabético o el recuento de literales. Estos cambios preservan la semántica pero alteran la sintaxis.
2. Elecciones de Redundancia de Modelado (MRC): Introducir constructos semánticamente inertes, como objetos ficticios, predicados redundantes, aumento de la aridad o acciones inaplicables duplicadas, para inflar la sobrecarga de representación sin cambiar la resolubilidad.
3. Elecciones de Diseño de Tareas (TDC): Modificar la resolubilidad o dificultad de la tarea, como introducir estados de callejones sin salida (dead-ends) o eliminar efectos que alcanzan el objetivo, lo cual altera el espacio de soluciones y la estructura de búsqueda.

Configuración Experimental:

• Planificadores: Se evaluaron cinco planificadores de vanguardia: tres basados en el marco Fast Downward (FDSSA, CA, DALAIA) y dos basados en LAPKT (ANST, FBNS).
• Dominios: Cinco dominios de referencia de la Competición Internacional de Planificación (IPC): Barman, Blocks World, Gripper, Thoughtful y Ricochet Robots.
• Variantes: Para cada dominio, se generaron 32 variantes (1 original + 20 SSC, 7 MRC y 4 TDC).
• Ejecución: Los experimentos se realizaron en una máquina dedicada (Intel Core i7-1065G7, 32 GB RAM) ejecutando Ubuntu 24.04 LTS en un entorno mínimo. El consumo de energía se midió al nivel del paquete de la CPU utilizando contadores Intel RAPL mediante pyRAPL dentro de contenedores aislados.
• Restricciones: Las ejecuciones se restringieron a un solo núcleo de CPU, 8 GB de memoria y un tiempo límite de pared de 5 minutos. Cada configuración se ejecutó 30 veces para asegurar la robustez estadística. Solo se analizaron las ejecuciones que terminaron dentro del tiempo límite.

Contribuciones Clave

1. Desarrollo del Marco: Un marco sistemático para caracterizar y transformar las configuraciones de los modelos de dominio para producir variantes controladas para la evaluación empírica.
2. Evidencia Empírica: El primer estudio empírico que vincula la configuración del modelo de dominio directamente con el consumo de energía en la planificación de IA.
3. Análisis Transversal de Planificadores: Una evaluación exhaustiva a través de dos marcos de planificación dominantes (FD y LAPKT) y cinco dominios de referencia diversos.

Resultados

El estudio revela que el consumo de energía en los planificadores clásicos es generalmente estable bajo cambios de representación menores, pero exhibe una sensibilidad significativa a mecanismos específicos de modelado y de nivel de tarea. Crucialmente, el consumo de energía no siempre se correlaciona con el tiempo de ejecución.

• Elecciones de Estructura Sintáctica (SSC):

  • Los planificadores basados en FD mostraron una estabilidad notable, con desviaciones de energía media inferiores al 1% y correlaciones de Pearson casi perfectas entre las variantes.
  • Los planificadores basados en LAPKT mostraron una sensibilidad dependiente del dominio. En dominios como Barman y Thoughtful, el reordenamiento de acciones o efectos condujo a grandes desviaciones de energía (por ejemplo, una diferencia de 3.8 veces en Barman) y las correlaciones cayeron a valores cercanos a cero o negativos. En Thoughtful, las variantes de orden de acciones causaron tiempos de espera inmediatos, mientras que el orden de los predicados se mantuvo estable.

• Elecciones de Redundancia de Modelado (MRC):

  • La mayoría de los mecanismos de redundancia produjeron efectos modestos. Sin embargo, MRC-ROA (añadir un parámetro ficticio no utilizado a todas las definiciones de acción) aumentó consistentemente el consumo de energía en casi todas las combinaciones de planificador-dominio.
  • El impacto de MRC-ROA varió desde un aumento de 2x hasta más de 12 veces la energía base, con una alta variabilidad (desviaciones estándar de hasta 1400 J). En Blocks World, la energía aumentó más de 11 veces, y algunas instancias que se resolvían en el dominio original fallaron bajo esta configuración.
  • Los planificadores basados en FD fueron generalmente más resilientes a la redundancia que los planificadores basados en LAPKT, aunque MRC-ROA siguió siendo la principal fuente de ineficiencia para ambos.

• Elecciones de Diseño de Tareas (TDC):

  • Los efectos fueron altamente dependientes del dominio y del planificador. Mientras que algunas variantes permanecieron cerca de la base, otras causaron desviaciones extremas.
  • En Blocks World, TDC-DEF (eliminar un efecto que alcanza el objetivo) aumentó el consumo de energía más de 30 veces para FDSSA. Por el contrario, en Thoughtful, la misma variante redujo la energía de 260 J a 168 J.
  • Los mecanismos de callejones sin salida (TDC-RPD, TDC-COP) a menudo amplificaron la complejidad del grounding o alteraron las trayectorias de búsqueda, provocando picos de energía significativos en Barman y Ricochet Robots para planificadores específicos.

Significado y Reivindicaciones

El artículo sostiene que la eficiencia energética en la planificación clásica es una propiedad estructural que surge de la interacción entre la configuración del modelo de dominio, el diseño del planificador y la topología del dominio, en lugar de ser una función únicamente del tiempo de ejecución.

• Vulnerabilidades Arquitectónicas: Los resultados resaltan vulnerabilidades específicas de la arquitectura. Los planificadores basados en FD, que procesan la computación de forma anticipada mediante el grounding y el preprocesamiento, son particularmente sensibles a la redundancia y a los callejones sin salida. Los planificadores basados en LAPKT son más resilientes a la redundancia, pero pueden ser sensibles al orden estructural debido a las estructuras de datos dependientes del orden en la evaluación de la novedad.
• Topología del Dominio: La complejidad de la estructura relacional del dominio (por ejemplo, Blocks World y Barman) magnifica el impacto de las elecciones de modelado, mientras que los dominios compactos (por ejemplo, Gripper, Ricochet Robots) mantienen un uso de energía predecible.
• Implicaciones Prácticas: Para los modeladores de dominios, la eficiencia de la representación es crítica; evitar parámetros de acción redundantes y validar cuidadosamente el diseño de las tareas puede reducir sustancialmente el consumo de energía sin cambiar el planificador. Para los desarrolladores de planificadores, los hallazgos sugieren oportunidades para un preprocesamiento consciente de la energía y el uso de estructuras de datos independientes del orden.

Los autores concluyen que la energía emerge como una métrica de rendimiento que expone ineficiencias invisibles mediante el análisis del tiempo de ejecución por sí solo. Proponen que el Marco de Configuración de Modelos de Dominio proporciona un medio sistemático para caracterizar estas sensibilidades, apoyando futuras investigaciones sobre modelos predictivos de costos energéticos basados en propiedades estáticas del dominio.