論文の概要: Is TinyML Sustainable? Assessing the Environmental Impacts of Machine
Learning on Microcontrollers
- arxiv url: http://arxiv.org/abs/2301.11899v1
- Date: Fri, 27 Jan 2023 18:23:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 14:31:59.377273
- Title: Is TinyML Sustainable? Assessing the Environmental Impacts of Machine
Learning on Microcontrollers
- Title（参考訳）: TinyMLは持続可能か?
マイクロコントローラにおける機械学習の環境影響評価
- Authors: Shvetank Prakash, Matthew Stewart, Colby Banbury, Mark Mazumder, Pete
Warden, Brian Plancher, Vijay Janapa Reddi
- Abstract要約: 本稿では、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について論じる。
この新興技術のフットプリントは、TinyMLシステムの完全なライフサイクル分析を通じて評価される。
この分析から、TinyML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によって、二酸化炭素排出量を相殺する機会を提供する。
- 参考スコア（独自算出の注目度）: 2.759932217179055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The sustained growth of carbon emissions and global waste elicits significant
sustainability concerns for our environment's future. The growing Internet of
Things (IoT) has the potential to exacerbate this issue. However, an emerging
area known as Tiny Machine Learning (TinyML) has the opportunity to help
address these environmental challenges through sustainable computing practices.
TinyML, the deployment of machine learning (ML) algorithms onto low-cost,
low-power microcontroller systems, enables on-device sensor analytics that
unlocks numerous always-on ML applications. This article discusses the
potential of these TinyML applications to address critical sustainability
challenges. Moreover, the footprint of this emerging technology is assessed
through a complete life cycle analysis of TinyML systems. From this analysis,
TinyML presents opportunities to offset its carbon emissions by enabling
applications that reduce the emissions of other sectors. Nevertheless, when
globally scaled, the carbon footprint of TinyML systems is not negligible,
necessitating that designers factor in environmental impact when formulating
new devices. Finally, research directions for enabling further opportunities
for TinyML to contribute to a sustainable future are outlined.
- Abstract（参考訳）: 炭素排出量とグローバル廃棄物の持続的成長は、環境の将来に重大な持続可能性の懸念をもたらす。
モノのインターネット(IoT)は、この問題を悪化させる可能性がある。
しかし、Tiny Machine Learning(TinyML)と呼ばれる新興分野は、持続可能なコンピューティングプラクティスを通じて、これらの環境課題に対処する機会を持っている。
低コストで低消費電力のマイクロコントローラシステムに機械学習(ML)アルゴリズムをデプロイするTinyMLは、デバイス上のセンサー分析を可能にし、多くの常時オンのMLアプリケーションをアンロックする。
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について論じる。
さらに、この新興技術のフットプリントは、TinyMLシステムの完全なライフサイクル分析を通じて評価される。
この分析からtinyml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。
それにもかかわらず、グローバルにスケールすると、tinymlシステムのカーボンフットプリントは無視できない。
最後に、TinyMLが持続可能な未来に貢献するさらなる機会を可能にするための研究の方向性を概説する。
関連論文リスト
- Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳（メタデータ） (2024-04-28T05:46:28Z) - On TinyML and Cybersecurity: Electric Vehicle Charging Infrastructure Use Case [17.1066653907873]
本稿では、消費電力、メモリ制限、計算制約などのTinyML技術の課題について述べる。
また、エネルギー収穫、計算最適化技術、プライバシー保護のための伝達学習など、これらの課題に対する潜在的な解決策についても検討している。
TinyMLを用いたEVCIのサイバーセキュリティを高める実験ケーススタディを,遅延とメモリ使用量の削減の観点から,従来のMLに対して評価した。
論文 参考訳（メタデータ） (2024-04-25T01:57:11Z) - A Synthesis of Green Architectural Tactics for ML-Enabled Systems [9.720968127923925]
ML対応システムのための30のグリーンアーキテクチャ戦略のカタログを提供する。
アーキテクチャ戦術は、ソフトウェア品質を改善するための高度な設計手法である。
透明性を高め、その普及を促進するため、我々はオンラインで簡単に消費可能なフォーマットで戦術を利用できるようにした。
論文 参考訳（メタデータ） (2023-12-15T08:53:45Z) - Lessons from Usable ML Deployments and Application to Wind Turbine
Monitoring [47.418845064441605]
使用可能なML(説明可能なMLを超える1ステップ)を、説明可能なMLを越える1ステップとします。
これらの教訓を風力タービン監視の課題に適用する。
再生可能エネルギー領域におけるMLの現実的影響を実証したい。
論文 参考訳（メタデータ） (2023-12-05T16:13:50Z) - Efficiency is Not Enough: A Critical Perspective of Environmentally
Sustainable AI [9.918392710009774]
効率だけではMLを環境的に持続できる技術にするには不十分である、と我々は主張する。
我々は,MLの環境持続可能性向上に向けたシステム思考の実践的道として,システム思考を論じる。
論文 参考訳（メタデータ） (2023-09-05T09:07:24Z) - 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) - A review of TinyML [0.0]
TinyMLの組み込み機械学習の概念は、このような多様性を、通常のハイエンドアプローチからローエンドアプリケーションへと押し上げようとしている。
TinyMLは、機械学習、ソフトウェア、ハードウェアの統合において、急速に拡大する学際的なトピックである。
本稿では,TinyMLがいくつかの産業分野,その障害,その将来的な範囲にどのようなメリットをもたらすのかを考察する。
論文 参考訳（メタデータ） (2022-11-05T06:02:08Z) - Tiny Robot Learning: Challenges and Directions for Machine Learning in
Resource-Constrained Robots [57.27442333662654]
機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。
ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。
小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。
本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
論文 参考訳（メタデータ） (2022-05-11T19:36:15Z) - Intelligence at the Extreme Edge: A Survey on Reformable TinyML [0.0]
分離が容易な新しい分類法の提案により,改良可能なTinyMLソリューションに関する調査を行った。
TinyMLのワークフローを調査し、特定されたデプロイメントスキームと利用可能なベンチマークツールを分析します。
論文 参考訳（メタデータ） (2022-04-02T09:53:36Z) - Towards Green Automated Machine Learning: Status Quo and Future
Directions [71.86820260846369]
AutoMLは高いリソース消費で批判されている。
本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
論文 参考訳（メタデータ） (2021-11-10T18:57:27Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。