Resumo Técnico: O Impacto Energético do Design de Modelos de Domínio em Planejamento Clássico

Declaração do Problema

Embora a pesquisa em IA tenha tradicionalmente priorizado métricas de desempenho algorítmico, como precisão e tempo de execução, o paradigma emergente da "IA Verde" desafia isso ao reconhecer o consumo de energia como uma dimensão crítica. Apesar das altas demandas computacionais do planejamento automatizado, sua eficiência energética tem recebido pouca atenção. Essa lacuna é particularmente significativa dada a arquitetura modular do planejamento clássico, onde os algoritmos de planejamento são desacoplados do conhecimento específico da aplicação codificado em modelos de domínio (tipicamente em PDDL).

Os modeladores de domínio possuem considerável liberdade de especificação, tornando as decisões de design relativas à granularidade das ações, estrutura de predicados, ordenação e estilo de codificação cruciais. Embora trabalhos anteriores tenham estabelecido que essas escolhas sintáticas e semânticas influenciam dramaticamente o tempo de execução do planejador e a qualidade da solução, o impacto de tais configurações de modelos de domínio no consumo de energia permanece inexplorado. Este artigo aborda essa lacuna investigando se e como decisões específicas de design de modelos de domínio afetam a eficiência energética de planejadores clássicos.

Metodologia

Os autores introduzem um Framework de Configuração de Modelo de Domínio projetado para variar e testar sistematicamente aspectos de modelos de domínio para compreender seu impacto no comportamento do planejador. O framework organiza as características do domínio em três categorias:

1. Escolhas de Estrutura Sintática (SSC - Syntactic Structure Choices): Reordenar elementos do domínio (declarações de predicados, definições de ações, precondições e efeitos) com base em critérios como frequência de uso, ordem alfabética ou contagem de literais. Essas mudanças preservam a semântica, mas alteram a sintaxe.
2. Escolhas de Redundância de Modelagem (MRC - Modelling Redundancy Choices): Introduzir construtos semanticamente inertes, como objetos fictícios, predicados redundantes, aumento de aridade ou ações inaplicáveis duplicadas, para inflar a sobrecarga representacional sem alterar a resolubilidade.
3. Escolhas de Design de Tarefa (TDC - Task Design Choices): Modificar a resolubilidade ou a dificuldade da tarefa, como introduzir estados de beco sem saída (dead-ends) ou remover efeitos que alcançam o objetivo, o que altera o espaço de solução e a estrutura de busca.

Configuração Experimental:

• Planejadores: Cinco planejadores de última geração foram avaliados: três baseados no framework Fast Downward (FD) (FDSSA, CA, DALAIA) e dois baseados em LAPKT (ANST, FBNS).
• Domínios: Cinco domínios de referência da Competição Internacional de Planejamento (IPC): Barman, Blocks World, Gripper, Thoughtful e Ricochet Robots.
• Variantes: Para cada domínio, 32 variantes foram geradas (1 original + 20 SSC, 7 MRC e 4 TDC).
• Execução: Os experimentos foram conduzidos em uma máquina dedicada (Intel Core i7-1065G7, 32 GB RAM) rodando Ubuntu 24.04 LTS em um ambiente mínimo. O consumo de energia foi medido no nível do pacote da CPU usando contadores Intel RAPL via pyRAPL dentro de containers isolados.
• Restrições: As execuções foram restritas a um único núcleo de CPU, 8 GB de memória e um limite de tempo de 5 minutos de tempo de relógio (wall-clock). Cada configuração foi executada 30 vezes para garantir robustez estatística. Apenas as execuções que terminaram dentro do tempo limite foram analisadas.

Principais Contribuições

1. Desenvolvimento de Framework: Um framework sistemático para caracterizar e transformar configurações de modelos de domínio para produzir variantes controladas para avaliação empírica.
2. Evidência Empírica: O primeiro estudo empírico ligando a configuração do modelo de domínio diretamente ao consumo de energia no planejamento de IA.
3. Análise Cross-Planner: Uma avaliação abrangente através de dois frameworks de planejamento dominantes (FD e LAPKT) e cinco domínios de referência diversos.

Resultados

O estudo revela que o consumo de energia em planejadores clássicos é geralmente estável sob pequenas mudanças representacionais, mas exibe sensibilidade significativa a mecanismos específicos de modelagem e de nível de tarefa. Crucialmente, o consumo de energia nem sempre correlaciona-se com o tempo de execução.

• Escolhas de Estrutura Sintática (SSC):

  • Planejadores baseados em FD mostraram uma estabilidade notável, com desvios de energia média abaixo de 1% e correlações de Pearson quase perfeitas entre as variantes.
  • Planejadores baseados em LAPKT exibiram sensibilidade dependente do domínio. Em domínios como Barman e Thoughtful, a reordenação de ações ou efeitos levou a grandes desvios de energia (por exemplo, uma diferença de 3,8 vezes em Barman) e as correlações caíram para valores próximos de zero ou negativos. Em Thoughtful, variantes de ordenação de ações causaram timeouts imediatos, enquanto a ordenação de predicados permaneceu estável.

• Escolhas de Redundância de Modelagem (MRC):

  • A maioria dos mecanismos de redundância produziu efeitos modestos. No entanto, o MRC-ROA (adicionar um parâmetro fictício não utilizado a todas as definições de ação) aumentou consistentemente o consumo de energia em quase todas as combinações de planejador-domínio.
  • O impacto do MRC-ROA variou de um aumento de 2x a mais de 12x a energia de base, com alta variabilidade (desvios padrão de até 1400 J). Em Blocks World, a energia aumentou mais de 11 vezes, e algumas instâncias que resolviam no domínio original falharam sob esta configuração.
  • Os planejadores baseados em FD foram geralmente mais resilientes à redundância do que os planejadores baseados em LAPKT, embora o MRC-ROA tenha permanecido a principal fonte de ineficiência para ambos.

• Escolhas de Design de Tarefa (TDC):

  • Os efeitos foram altamente dependentes do domínio e do planejador. Enquanto algumas variantes permaneceram próximas da base, outras causaram desvios extremos.
  • Em Blocks World, o TDC-DEF (remover um efeito que alcança o objetivo) aumentou o consumo de energia em mais de 30 vezes para o FDSSA. Por outro lado, em Thoughtful, o mesmo variante reduziu a energia de 260 J para 168 J.
  • Mecanismos de beco sem saída (TDC-RPD, TDC-COP) frequentemente ampliaram a complexidade do grounding ou alteraram trajetórias de busca, levando a picos significativos de energia em Barman e Ricochet Robots para planejadores específicos.

Significância e Alegações

O artigo afirma que a eficiência energética no planejamento clássico é uma propriedade estrutural que surge da interação entre a configuração do modelo de domínio, o design do planejador e a topologia do domínio, em vez de ser apenas uma função do tempo de execução.

• Vulnerabilidades Arquiteturais: Os resultados destacam vulnerabilidades específicas de arquitetura. Planejadores baseados em FD, que realizam o processamento pesado de forma antecipada através de grounding e pré-processamento, são particularmente sensíveis à redundância e aos becos sem saída. Planejadores baseados em LAPKT são mais resilientes à redundância, mas podem ser sensíveis à ordenação estrutural devido a estruturas de dados dependentes de ordem na avaliação de novidade.
• Topologia do Domínio: A complexidade da estrutura relacional do domínio (ex: Blocks World e Barman) magnifica o impacto das escolhas de modelagem, enquanto domínios compactos (ex: Gripper, Ricochet Robots) mantêm um uso de energia previsível.
• Implicações Práticas: Para modeladores de domínio, a eficiência representacional é crítica; evitar parâmetros de ação redundantes e validar cuidadosamente o design da tarefa pode reduzir substancialmente o consumo de energia sem alterar o planejador. Para desenvolvedores de planejadores, os achados sugerem oportunidades para pré-processamento consciente da energia e o uso de estruturas de dados independentes de ordem.

Os autores concluem que a energia emerge como uma métrica de desempenho que expõe ineficiências invisíveis através da análise de tempo de execução sozinha. Eles propõem que o Framework de Configuração de Modelo de Domínio fornece um meio sistemático para caracterizar essas sensibilidades, apoiando pesquisas futuras em modelos preditivos para custos de energia baseados em propriedades estáticas de domínio.