扩散模型的能源比例定律：量化图像生成中的计算需求

扩散模型用于图像生成的计算需求正在迅速增长，这引发了关于能源消耗和环境影响的重大关注。虽然现有方法的能源优化主要集中在架构改进或硬件加速上，但缺乏一种原则性方法来预测不同模型配置和硬件设置下的能源消耗。我们提出了将 Kaplan 比例定律应用于预测扩散模型 GPU 能源消耗的方法，基于计算复杂度（FLOPs）。我们的方案将扩散模型推理分解为文本编码、迭代去噪和解码三个组件，假设由于在多个推理步骤中反复执行，去噪操作主导能源消耗。我们在NVIDIA A100、A4000、A6000三个 GPU 架构上，对四个最先进的扩散模型（Stable Diffusion 2、Stable Diffusion 3.5、Flux和Qwen）进行了全面实验，涵盖各种推理配置，包括分辨率（$256^2$--$1024^2$）、精度（fp16/fp32）、步数（10--50）和无分类器引导设置。我们的能源比例定律在单个架构内实现高预测准确性（$R^2 > 0.9$），并在跨架构上表现出强大的概括能力，保持高秩相关性，能够可靠地估算未见的模型-硬件组合的能源消耗。这些结果验证了扩散推理的计算受限性，并将能源消耗估计确立为可持续 AI 部署规划和随后碳足迹评估的必要基础。