The impact of domain models on energy consumption of classical planners
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Die zunehmende Integration künstlicher Intelligenz in reale Systeme hat die Diskussion um den ökologischen Fußabdruck von Rechenprozessen deutlich intensiviert. Mit der wachsenden Leistungsfähigkeit von KI und ihrer Anwendung in unterschiedlichen Bereichen stellt sich die Frage nach Effizienz nicht mehr nur auf der Ebene der Algorithmen, sondern auch hinsichtlich ihres Energieverbrauchs. In diesem Zusammenhang bildet classical planning einen besonders relevanten Fall, da es eine zentrale Technik des automated planning darstellt. Die Forschung hat sich in diesem Feld bislang vor allem auf Laufzeiteffizienz, Planqualität und algorithmisches Design konzentriert, während die energetische Dimension weitgehend unbeachtet blieb. Diese Arbeit untersucht diese Lücke, indem sie den Blick von den Planern auf die Domänenmodelle richtet, die deren Eingaben bilden. Durch systematische Modifikationen syntaktischer, semantischer und lösbarkeitsbezogener Eigenschaften wird gezeigt, dass Modellierungsentscheidungen einen messbaren Einfluss auf den Energieverbrauch haben können.
Anstatt Energieverbrauch als eine dem Planer inhärente Eigenschaft zu betrachten, verdeutlicht die Untersuchung, dass er aus dem Zusammenspiel von algorithmischem Verhalten und Repräsentationsform entsteht. Methodisch wird ein replizierbares Framework vorgestellt, das kontrollierte Domänenmodifikationen mit präzisen Energieverbrauchsmessungen verbindet und so eine systematische Bewertung des Energieaufwands in symbolischer KI ermöglicht. Die empirische Analyse zeigt, dass syntaktische Variationen in der Regel nur geringe Abweichungen hervorrufen, während Modellierungsineffizienzen den Energiebedarf erhöhen können, wobei insbesondere die Operator Arity als wiederkehrender Faktor auffällt. Am deutlichsten wirken sich jedoch Lösbarkeitsrestriktionen aus, die abhängig von Planer und Domäne sowohl erhebliche Mehrverbräuche als auch in Einzelfällen Reduktionen bewirken können.
Zusammenfassend wird deutlich, dass Domänenmodellierung nicht nur eine Frage syntaktischer Korrektheit oder semantischer Angemessenheit ist, sondern auch eine der energetischen Effizienz. Der Beitrag dieser Arbeit ist daher zweifach. Zum einen wird ein Framework bereitgestellt, um die Energieimplikationen von Domänenmerkmalen zu untersuchen. Zum anderen wird empirisch gezeigt, dass Modellierungsentscheidungen das energetische Profil von Planungssystemen maßgeblich beeinflussen können. Diese Ergebnisse bilden eine Grundlage für weiterführende Forschung und liefern praxisorientierte Hinweise für eine energiebewusste Gestaltung von Domänenmodellen.
The increasing integration of artificial intelligence into real-world systems has intensified concerns about the ecological footprint of computational processes. As the capabilities of AI expand and their applications spread into diverse areas of society, questions of efficiency are no longer confined to algorithmic performance alone but extend to the broader impact of computation on energy usage. Within this context classical planning provides a particularly relevant case since it is a core technique in automated planning. Research in this field has traditionally emphasized runtime efficiency, plan quality and algorithmic design while the energetic dimension has remained largely neglected. This thesis examines that omission by shifting the focus from planners to the domain models that constitute their input. Through systematic modifications of syntactic, semantic and solvability related features it demonstrates that modeling decisions can exert a measurable influence on energy consumption. Rather than viewing energy use as an inherent property of planners, the study shows it to emerge from the interaction between algorithmic behavior and representational form. The work introduces a replicable framework that combines controlled domain transformations with fine grained energy measurements, thereby enabling systematic evaluations of energy usage in symbolic AI. The empirical analysis indicates that syntactic variations usually result in only minor fluctuations, whereas modeling inefficiencies can increase energy demand, with operator arity standing out as a recurring factor. The most pronounced effects arise from solvability constraints which, depending on the planner and the domain, can lead to substantial increases in energy usage or in some cases reductions. Taken together the results highlight that domain modeling is not only a matter of syntactic correctness or semantic adequacy but also of energetic efficiency. The contribution of this thesis is twofold. It establishes a framework for investigating the energy implications of domain features and provides empirical evidence that modeling choices shape the energy profile of planning systems. These findings offer a foundation for further research and provide practical guidance for approaching domain modeling with energy consumption in mind.
The increasing integration of artificial intelligence into real-world systems has intensified concerns about the ecological footprint of computational processes. As the capabilities of AI expand and their applications spread into diverse areas of society, questions of efficiency are no longer confined to algorithmic performance alone but extend to the broader impact of computation on energy usage. Within this context classical planning provides a particularly relevant case since it is a core technique in automated planning. Research in this field has traditionally emphasized runtime efficiency, plan quality and algorithmic design while the energetic dimension has remained largely neglected. This thesis examines that omission by shifting the focus from planners to the domain models that constitute their input. Through systematic modifications of syntactic, semantic and solvability related features it demonstrates that modeling decisions can exert a measurable influence on energy consumption. Rather than viewing energy use as an inherent property of planners, the study shows it to emerge from the interaction between algorithmic behavior and representational form. The work introduces a replicable framework that combines controlled domain transformations with fine grained energy measurements, thereby enabling systematic evaluations of energy usage in symbolic AI. The empirical analysis indicates that syntactic variations usually result in only minor fluctuations, whereas modeling inefficiencies can increase energy demand, with operator arity standing out as a recurring factor. The most pronounced effects arise from solvability constraints which, depending on the planner and the domain, can lead to substantial increases in energy usage or in some cases reductions. Taken together the results highlight that domain modeling is not only a matter of syntactic correctness or semantic adequacy but also of energetic efficiency. The contribution of this thesis is twofold. It establishes a framework for investigating the energy implications of domain features and provides empirical evidence that modeling choices shape the energy profile of planning systems. These findings offer a foundation for further research and provide practical guidance for approaching domain modeling with energy consumption in mind.