LLMSpace: Carbon Footprint Modeling for Large Language Model Inference on LEO Satellites
作者: Lei Jiang, Adrian Ildefonso, Daniel Loveless, Fan Chen
分类: cs.LG, cs.CY
发布日期: 2026-05-07 (更新: 2026-05-08)
备注: 12 pages, 4 figures, 6 tables
🔗 代码/项目: GITHUB
💡 一句话要点
提出LLMSpace碳足迹建模框架，量化低地球轨道（LEO）卫星部署大模型推理的碳排放。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 低地球轨道卫星 碳足迹建模 边缘计算 可持续AI 抗辐射硬件 全生命周期评估
📋 核心要点
- 现有研究缺乏对LEO卫星部署AI模型全生命周期碳足迹的量化评估，忽略了发射与抗辐射硬件的特殊成本。
- LLMSpace构建了首个综合性碳建模框架，联合分析了卫星运行能耗、硬件隐含碳及LLM推理负载特性。
- 实验揭示了碳足迹与推理延迟、硬件设计及卫星寿命间的权衡，为空间计算的可持续性设计提供了决策依据。
📝 摘要（中文）
大语言模型（LLMs）的广泛应用带来了巨大的能源需求，引发了由大规模推理驱动的能源与碳排放危机。虽然利用太阳能的AI赋能低地球轨道（LEO）卫星被视为缓解地面电力消耗的潜在方案，但由于涉及发射排放、卫星制造以及抗辐射硬件的特殊需求，其全生命周期碳足迹尚不明确。本文提出了LLMSpace，这是首个针对LEO卫星AI推理的碳建模框架。LLMSpace综合考虑了运行碳与隐含碳、外围子系统、抗辐射加速器与存储器，以及LLM特有的预填充-解码行为与Token生成特性。通过模拟真实的卫星与GPU配置，LLMSpace揭示了碳足迹、推理延迟、硬件设计与运行寿命之间的关键权衡，为可持续的空间基LLM推理提供了理论支撑。
🔬 方法详解
问题定义：论文旨在解决LEO卫星在执行大模型推理任务时，缺乏全生命周期碳足迹评估模型的问题。现有研究多关注地面数据中心，忽略了卫星发射、制造及抗辐射硬件带来的高额隐含碳排放。
核心思路：通过构建一个多维度的碳建模框架，将卫星的物理属性（如发射质量、轨道寿命）与AI推理的计算特性（如Token生成速率、计算密度）耦合，从而量化空间计算的真实环境成本。
技术框架：框架包含三个核心模块：一是隐含碳模块，计算卫星制造与发射的碳成本；二是运行碳模块，基于太阳能供电与卫星子系统功耗建模；三是LLM负载模块，针对预填充（Prefill）和解码（Decode）阶段的计算特性进行精细化建模。
关键创新：首次将抗辐射硬件的特殊能效比与卫星全生命周期碳足迹挂钩，打破了传统AI碳评估仅关注计算能耗的局限，实现了从硬件制造到轨道运行的闭环评估。
关键设计：引入了针对空间环境的参数化模型，包括抗辐射加速器（如FPGA/ASIC）的功耗特性、卫星轨道周期内的太阳能获取效率，以及针对不同LLM参数规模的Token生成延迟与能耗映射函数。
🖼️ 关键图片
📊 实验亮点
实验通过模拟多种卫星配置与GPU架构，量化了不同推理负载下的碳排放。研究发现，抗辐射硬件的隐含碳在总碳足迹中占比显著，且推理延迟与碳排放之间存在非线性权衡。结果表明，通过优化模型参数规模与卫星运行寿命，可有效降低单位Token生成的碳成本，为空间AI的硬件设计提供了关键的量化基准。
🎯 应用场景
该研究主要应用于空间计算领域，特别是为下一代AI赋能的LEO卫星星座设计提供指导。其价值在于帮助工程师在卫星硬件选型、模型压缩策略与任务调度之间找到碳排放与性能的最优平衡点，推动空间基础设施向绿色、可持续方向发展，并为未来深空探测中的边缘AI部署提供参考。
📄 摘要（原文）
Large language models (LLMs) impose rapidly growing energy demands, creating an emerging energy and carbon crisis driven by large-scale inference. Solar-powered, AI-enabled low Earth orbit (LEO) satellites have been proposed to mitigate terrestrial electricity consumption, but their lifecycle carbon footprint remains poorly understood due to launch emissions, satellite manufacturing, and radiation-hardened hardware requirements. This paper presents \textit{LLMSpace}, the first carbon modeling framework for LLM inference on AI-enabled LEO satellites. LLMSpace jointly models operational and embodied carbon, peripheral subsystems, radiation-hardened accelerators and memories, and LLM-specific workload characteristics such as prefill-decode behavior and token generation. Using realistic satellite and GPU configurations, LLMSpace reveals key trade-offs among carbon footprint, inference latency, hardware design, and operational lifetime for sustainable space-based LLM inference. Source code: https://github.com/UnchartedRLab/LLMSpace.