論文の概要: Assessing the embodied carbon footprint of IoT edge devices with a bottom-up life-cycle approach

• arxiv url: http://arxiv.org/abs/2105.02082v1
• Date: Wed, 5 May 2021 14:29:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-01 13:16:23.336665
• Title: Assessing the embodied carbon footprint of IoT edge devices with a bottom-up life-cycle approach
• Title（参考訳）: ボトムアップ型ライフサイクルアプローチによるiotエッジデバイスの具体的カーボンフットプリント評価
• Authors: Thibault Pirson and David Bol
• Abstract要約: 我々は,IoTエッジデバイスのクレードル・トゥ・ゲートカーボンフットプリントを評価するためのハードウェアプロファイルに基づくフレームワークを提案する。 マクロ分析により,世界規模のIoTエッジデバイスの生産によって引き起こされる絶対炭素フットプリントを推定する。 配置シナリオによっては、2027年には22から522MtCO2-eq/年となる。
• 参考スコア（独自算出の注目度）: 1.7042264000899534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In upcoming years, the number of Internet-of-Things (IoT) devices is expected to surge up to tens of billions of physical objects. However, while the IoT is often presented as a promising solution to tackle environmental challenges, the direct environmental impacts generated over the life cycle of the physical devices are usually overlooked. It is implicitly assumed that their environmental burden is negligible compared to the positive impacts they can generate. In this paper, we present a parametric framework based on hardware profiles to evaluate the cradle-to-gate carbon footprint of IoT edge devices. We exploit our framework in three ways. First, we apply it on four use cases to evaluate their respective production carbon footprint. Then, we show that the heterogeneity inherent to IoT edge devices must be considered as the production carbon footprint between simple and complex devices can vary by a factor of more than 150x. Finally, we estimate the absolute carbon footprint induced by the worldwide production of IoT edge devices through a macroscopic analysis over a 10-year period. Results range from 22 to 562 MtCO2-eq/year in 2027 depending on the deployment scenarios. However, the truncation error acknowledged for LCA bottom-up approaches usually lead to an undershoot of the environmental impacts. We compared the results of our use cases with the few reports available from Google and Apple, which suggest that our estimates could be revised upwards by a factor around 2x to compensate for the truncation error. Worst-case scenarios in 2027 would therefore reach more than 1000 MtCO2-eq/year. This truly stresses the necessity to consider environmental constraints when designing and deploying IoT edge devices.
• Abstract（参考訳）: 今後は、IoT(Internet-of-Things)デバイスが数千億もの物理的オブジェクトに急増すると予想されている。 しかしながら、IoTは環境問題に取り組むための有望なソリューションとして提示されることが多いが、物理デバイスのライフサイクルを通じて発生する直接的な環境影響は通常見過ごされている。 環境負荷は、環境が生み出すポジティブな影響と比較して無視できると暗黙的に仮定される。 本稿では,IoTエッジデバイスのクレードルゲートカーボンフットプリントを評価するために,ハードウェアプロファイルに基づくパラメトリックフレームワークを提案する。 私たちはフレームワークを3つの方法で活用する。 まず, それぞれの生産炭素フットプリントを評価するために, 4つのユースケースに適用する。 次に,iot edgeデバイス固有の異質性は,単純なデバイスと複雑なデバイスの間の生産炭素フットプリントが150倍以上異なると考える必要があることを示した。 最後に,世界のIoTエッジデバイスの生産によって引き起こされる絶対炭素フットプリントを10年間のマクロ分析により推定する。 結果は2027年の22から562 mtco2-eq/年である。 しかし、LCAボトムアップアプローチで認められたトラクション誤差は、通常、環境影響の過小評価につながる。 当社のユースケースの結果を,GoogleとAppleから入手可能な数少ないレポートと比較した。この結果から,当社の予測は,トランケーションエラーを補うために,約2倍の値で上向きに修正される可能性があることを示唆している。 2027年の最悪のシナリオは、年間1000山CO2-eqに達する。 これにより、IoTエッジデバイスの設計とデプロイにおいて、環境制約を考慮する必要性が真に強調される。

関連論文リスト

• Software Frugality in an Accelerating World: the Case of Continuous Integration [2.73028688816111]
  私たちは、GitHubで実装された継続的インテグレーションパイプラインのエネルギーフットプリントを、初めて大規模に分析します。 パイプラインの平均単位エネルギーコストは10Whで比較的低い。 地域Wh-to-CO2推定値に基づくCO2排出量の評価では, 平均CO2排出量は10.5kgである。
  論文  参考訳（メタデータ） (2024-10-21T09:29:50Z)
• From Clicks to Carbon: The Environmental Toll of Recommender Systems [0.24374097382908472]
  典型的な実験パイプラインを再現することにより,レコメンデータシステム研究の環境影響を推定する。 分析対象は2013年と2023年のACM RecSysカンファレンスの全論文79件である。 平均して、1つのディープラーニングベースの論文は3,297キログラムのCO2等価量を生成する。
  論文  参考訳（メタデータ） (2024-08-15T15:11:06Z)
• Training on the Fly: On-device Self-supervised Learning aboard Nano-drones within 20 mW [52.280742520586756]
  ナノドローンのような小さな機械学習(TinyML)を利用した小型サイバー物理システム(CPS)は、ますます魅力的な技術になりつつある。 単純な電子回路はこれらのCPSを安価にすることができるが、計算、メモリ、センサーの資源を著しく制限する。 本稿では,ナノドロンの限られた超低消費電力資源にのみ依存する,オンデバイスファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-06T13:11:36Z)
• A Cradle-to-Gate Life Cycle Analysis of Bitcoin Mining Equipment Using Sphera LCA and ecoinvent Databases [0.6071203743728119]
  我々は、専用のBitcoinマイニング機器のクレードル・トゥ・ゲートライフサイクルアセスメント(LCA)を実施し、そのアーキテクチャを考慮に入れた。 結果は、Bitcoinマイニングのためのアプリケーション固有の集積回路が、生産関連の影響の主な要因であることを示している。
  論文  参考訳（メタデータ） (2024-01-31T00:13:31Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• Is TinyML Sustainable? Assessing the Environmental Impacts of Machine Learning on Microcontrollers [11.038060631389273]
  Tiny Machine Learning(TinyML)は,持続可能なコンピューティングプラクティスを通じて,環境問題に対処する機会を提供する。 本稿では、これらのTinyMLアプリケーションが、重要な持続可能性課題に対処する可能性と、この新興技術の環境フットプリントについて論じる。 TinyMLシステムは、他のセクターの排出量を減らすアプリケーションを可能にすることで、二酸化炭素排出量を相殺する機会を提供する。
  論文  参考訳（メタデータ） (2023-01-27T18:23:10Z)
• Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model [72.65502770895417]
  176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。 BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。 本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
  論文  参考訳（メタデータ） (2022-11-03T17:13:48Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。