論文の概要: Memory-Aware Partitioning of Machine Learning Applications for Optimal
Energy Use in Batteryless Systems
- arxiv url: http://arxiv.org/abs/2108.04059v1
- Date: Thu, 5 Aug 2021 09:49:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-12 08:58:24.765199
- Title: Memory-Aware Partitioning of Machine Learning Applications for Optimal
Energy Use in Batteryless Systems
- Title（参考訳）: 電池レスシステムにおける最適エネルギー利用のための機械学習アプリケーションのメモリアウェア分割
- Authors: Andres Gomez, Andreas Tretter, Pascal Alexander Hager, Praveenth
Sanmugarajah, Luca Benini, Lothar Thiele
- Abstract要約: 電池レスアプリケーションの総エネルギーコストを最適化する自動化手法であるJulinningを提案する。
本手法では, エネルギー負荷を0.12%に抑えながら, 必要なエネルギー貯蔵量を94%以上削減できる。
- 参考スコア（独自算出の注目度）: 17.072240411944914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensing systems powered by energy harvesting have traditionally been designed
to tolerate long periods without energy. As the Internet of Things (IoT)
evolves towards a more transient and opportunistic execution paradigm, reducing
energy storage costs will be key for its economic and ecologic viability.
However, decreasing energy storage in harvesting systems introduces reliability
issues. Transducers only produce intermittent energy at low voltage and current
levels, making guaranteed task completion a challenge. Existing ad hoc methods
overcome this by buffering enough energy either for single tasks, incurring
large data-retention overheads, or for one full application cycle, requiring a
large energy buffer. We present Julienning: an automated method for optimizing
the total energy cost of batteryless applications. Using a custom specification
model, developers can describe transient applications as a set of atomically
executed kernels with explicit data dependencies. Our optimization flow can
partition data- and energy-intensive applications into multiple execution
cycles with bounded energy consumption. By leveraging interkernel data
dependencies, these energy-bounded execution cycles minimize the number of
system activations and nonvolatile data transfers, and thus the total energy
overhead. We validate our methodology with two batteryless cameras running
energy-intensive machine learning applications. Results demonstrate that
compared to ad hoc solutions, our method can reduce the required energy storage
by over 94% while only incurring a 0.12% energy overhead.
- Abstract（参考訳）: エネルギー収穫によるセンシングシステムは、伝統的にエネルギーのない長い期間を許容するように設計されてきた。
IoT(Internet of Things)がより過渡的で機会主義的な実行パラダイムへと進化するにつれ、エネルギー貯蔵コストの削減が、その経済的および生態学的生存可能性の鍵となる。
しかし、収穫システムにおけるエネルギー貯蔵量の減少は信頼性の問題を引き起こす。
トランスデューサは低電圧および電流レベルでのみ断続エネルギーを生成するため、保証されたタスク完了は困難である。
既存のアドホックな手法では、単一のタスクで十分なエネルギーをバッファリングし、大きなデータ保持オーバーヘッドを発生させるか、1つのアプリケーションサイクルで大きなエネルギーバッファを必要とする。
電池レスアプリケーションの総エネルギーコストを最適化する自動化手法であるJulinningを提案する。
独自の仕様モデルを使用することで、開発者はトランジェントアプリケーションを、明示的なデータ依存を持つアトミックに実行されるカーネルの集合として記述することができる。
我々の最適化フローは、データおよびエネルギー集約的なアプリケーションを、有界エネルギー消費を伴う複数の実行サイクルに分割することができる。
カーネル間のデータ依存性を利用することで、これらのエネルギー制限された実行サイクルは、システムのアクティベーション数と不揮発性データ転送の数を最小化し、エネルギーの総オーバーヘッドを最小化する。
エネルギー集約型機械学習アプリケーションを実行する2台のバッテリレスカメラを用いて、我々の方法論を検証する。
その結果, アドホック溶液と比較して, 必要なエネルギー貯蔵量を94%以上削減できるが, 0.12%のエネルギーオーバーヘッドしか発生しないことがわかった。
関連論文リスト
- Hybrid Heterogeneous Clusters Can Lower the Energy Consumption of LLM Inference Workloads [0.2389598109913753]
大規模言語モデル(LLM)の訓練と使用には大量のエネルギーが必要である。
本稿では, LLM を運用するデータセンターにおけるエネルギー消費削減の課題に対処する。
本稿では,コストベースのスケジューリングフレームワークを用いて,ハードウェアアクセラレータ間でタスクを動的に割り当てるハイブリッドデータセンターモデルを提案する。
論文 参考訳（メタデータ） (2024-04-25T11:24:08Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Sustainable Edge Intelligence Through Energy-Aware Early Exiting [0.726437825413781]
EHエッジインテリジェンスシステムにおいて,エネルギー適応型動的早期退避を提案する。
提案手法は, サンプルごとの最適計算量を決定する, エネルギー対応のEEポリシーを導出する。
その結果, エネルギーに依存しない政策と比較して, 精度は25%, サービスレートは35%向上した。
論文 参考訳（メタデータ） (2023-05-23T14:17:44Z) - Great Power, Great Responsibility: Recommendations for Reducing Energy
for Training Language Models [8.927248087602942]
一般的なNLPアプリケーションのエネルギー消費を削減できる技術について検討する。
これらの手法は、訓練言語モデルや推論に使用する際のエネルギー消費を著しく減少させる可能性がある。
論文 参考訳（メタデータ） (2022-05-19T16:03:55Z) - Adaptive Energy Management for Self-Sustainable Wearables in Mobile
Health [21.97214707198675]
ウェアラブルデバイスの小さなフォームファクタは、バッテリーのサイズと寿命を制限します。
ウェアラブル機器の持続可能な運用に有効な方法として、エネルギー収穫が出現している。
本稿では, 蓄電池エネルギーを補充し, ユーザによる手動充電を減らすことで, 自己維持可能なウェアラブルを目標とする適応型エネルギー管理の新たな課題について検討する。
論文 参考訳（メタデータ） (2022-01-16T23:49:20Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Reinforcement Learning for Minimizing Age of Information in Real-time
Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。
サンプリングポリシを最適化するために,分散強化学習手法を提案する。
PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文 参考訳（メタデータ） (2021-04-04T03:17:26Z) - ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of
Harvested Energy [0.8774604259603302]
本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。
提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。
このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
論文 参考訳（メタデータ） (2021-02-26T17:21:25Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。