È stato pubblicato il nuovo lavoro scientifico dedicato a FLOPpy, una libreria Python open source sviluppata per introdurre un nuovo paradigma nella valutazione del costo computazionale degli algoritmi di Machine Learning e Deep Learning. La libreria è stata resa disponibile pubblicamente su PyPI e GitHub, consentendo a ricercatori e sviluppatori di utilizzarla e contribuirne allo sviluppo.
La valutazione dell’efficienza computazionale dei modelli di Intelligenza Artificiale rappresenta oggi un tema centrale, soprattutto nell’ambito della Green AI. Le metriche comunemente utilizzate, come il tempo di esecuzione o il consumo energetico, dipendono fortemente dall’hardware impiegato, dal carico del sistema e da numerosi altri fattori esterni, rendendo difficile il confronto oggettivo e la riproducibilità dei risultati sperimentali.
FLOPpy affronta questa criticità proponendo un approccio completamente indipendente dall’hardware, capace di misurare direttamente lo sforzo algoritmico durante l’esecuzione dei modelli. La libreria monitora dinamicamente il carico computazionale e fornisce metriche deterministiche, consentendo confronti equi tra modelli eseguiti su piattaforme hardware differenti.
Tra le principali caratteristiche di FLOPpy:
- Metriche completamente deterministiche, prive delle fluttuazioni introdotte dall’hardware e dall’ambiente di esecuzione;
- Coerenza tra piattaforme di calcolo, permettendo di confrontare risultati ottenuti su laptop, cluster GPU o dispositivi edge mantenendo invariata la valutazione del costo computazionale;
- Supporto alle Bit-Operations (BOP), che consente di misurare accuratamente l’impatto computazionale delle tecniche di quantizzazione, come INT8 e rappresentazioni a bassa precisione;
- Integrazione trasparente con PyTorch e Scikit-learn, senza richiedere modifiche al codice dei modelli e con il monitoraggio dell’intero processo di addestramento, incluse le fasi di forward pass, backward pass, calcolo della loss e aggiornamento dell’ottimizzatore.
L’obiettivo del progetto è mettere a disposizione della comunità scientifica uno strumento rigoroso, riproducibile e facilmente utilizzabile per la valutazione dell’efficienza computazionale dei modelli di Intelligenza Artificiale, favorendo lo sviluppo di algoritmi sempre più sostenibili e confrontabili in maniera oggettiva.
Il lavoro è stato realizzato da Scala Francesco, Liliana Martirano e Luigi Pontieri.
Maggiori informazioni
- Documentazione e sito ufficiale: https://floppy.icar.cnr.it/
- Articolo scientifico: https://doi.org/10.1016/j.softx.2026.102865
