論文の概要: Towards Carbon-Neutral Edge Computing: Greening Edge AI by Harnessing
Spot and Future Carbon Markets
- arxiv url: http://arxiv.org/abs/2304.11374v1
- Date: Sat, 22 Apr 2023 11:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 18:47:48.369909
- Title: Towards Carbon-Neutral Edge Computing: Greening Edge AI by Harnessing
Spot and Future Carbon Markets
- Title(参考訳): カーボンニュートラルエッジコンピューティングに向けて - spotと将来の炭素市場を活用したエッジaiのグリーン化
- Authors: Huirong Ma and Zhi Zhou and Xiaoxi Zhang and Xu Chen
- Abstract要約: 我々は、CERを複数の時間スケールで購入し、機械学習タスクをオフロードする場所を決定するオンラインアルゴリズムを提案する。
さらに,$T$-slot問題のNP硬度を考慮し,資源制限付きランダム化依存ラウンドリングアルゴリズムを提案する。
実炭素強度トレースによって駆動される理論解析と広範囲なシミュレーション結果は,提案アルゴリズムの優れた性能を示す。
- 参考スコア(独自算出の注目度): 24.462679595118672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Provisioning dynamic machine learning (ML) inference as a service for
artificial intelligence (AI) applications of edge devices faces many
challenges, including the trade-off among accuracy loss, carbon emission, and
unknown future costs. Besides, many governments are launching carbon emission
rights (CER) for operators to reduce carbon emissions further to reverse
climate change. Facing these challenges, to achieve carbon-aware ML task
offloading under limited carbon emission rights thus to achieve green edge AI,
we establish a joint ML task offloading and CER purchasing problem, intending
to minimize the accuracy loss under the long-term time-averaged cost budget of
purchasing the required CER. However, considering the uncertainty of the
resource prices, the CER purchasing prices, the carbon intensity of sites, and
ML tasks' arrivals, it is hard to decide the optimal policy online over a
long-running period time. To overcome this difficulty, we leverage the
two-timescale Lyapunov optimization technique, of which the $T$-slot
drift-plus-penalty methodology inspires us to propose an online algorithm that
purchases CER in multiple timescales (on-preserved in carbon future market and
on-demanded in the carbon spot market) and makes decisions about where to
offload ML tasks. Considering the NP-hardness of the $T$-slot problems, we
further propose the resource-restricted randomized dependent rounding algorithm
to help to gain the near-optimal solution with no help of any future
information. Our theoretical analysis and extensive simulation results driven
by the real carbon intensity trace show the superior performance of the
proposed algorithms.
- Abstract(参考訳): エッジデバイスの人工知能(AI)応用のためのサービスとしての動的機械学習(ML)推論のプロビジョニングは、精度損失のトレードオフ、二酸化炭素排出、未知の将来コストなど、多くの課題に直面している。
さらに、多くの政府は、気候変動を逆転させるために二酸化炭素排出量をさらに削減するための炭素排出権(cer)を立ち上げた。
これらの課題に直面すると、炭素排出権に制限のあるMLタスクのオフロードを実現し、グリーンエッジAIを実現するため、必要なCERを購入するための長期的コスト予算の下での精度損失を最小限に抑えるために、共同MLタスクのオフロードとCER購入の問題を確立する。
しかし、資源価格の不確実性、CER購入価格、サイトの炭素強度、MLタスクの到着などを考慮すると、長期にわたってオンライン上での最適政策を決定することは困難である。
この難しさを克服するために、我々は2時間スケールのLyapunov最適化手法を活用し、$T$-slotのドリフト・プラス・ペナルティ手法により、CERを複数の時間スケールで購入するオンラインアルゴリズム(炭素先物市場および炭素スポット市場でオンデマンドで保存)を提案し、MLタスクのオフロード先を決定する。
さらに,$t$-slot問題のnp難易度を考慮して,資源制限付きランダム化従属丸化アルゴリズムを提案する。
実炭素強度トレースによって駆動される理論解析と広範囲なシミュレーション結果は,提案アルゴリズムの優れた性能を示す。
関連論文リスト
- Leveraging AI-derived Data for Carbon Accounting: Information Extraction
from Alternative Sources [0.0]
我々は、信頼できる炭素会計手順への道筋に重要な役割を果たす、より多様なデータソースの必要性について論じる。
金融・海運データに対するOpenAIのGPT APIを用いたNLPを用いた分析により,近年の現実世界データに関するケーススタディを提案する。
論文 参考訳(メタデータ) (2023-11-26T22:49:41Z) - Online Conversion with Switching Costs: Robust and Learning-Augmented
Algorithms [11.582885296330195]
エネルギーとサステナビリティの交差点で発生した問題を捉えるオンライン問題の一群である,スイッチングコストによるオンライン変換について検討する。
本稿では,この問題の決定論的および決定論的変異に対して,競合的(ロバストな)しきい値に基づくアルゴリズムを導入する。
そこで我々は,ブラックボックスのアドバイスを活かした学習強化アルゴリズムを提案し,平均ケース性能を著しく向上させた。
論文 参考訳(メタデータ) (2023-10-31T16:34:49Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-17T02:12:30Z) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳(メタデータ) (2023-03-24T18:32:38Z) - A Bandit Approach to Online Pricing for Heterogeneous Edge Resource
Allocation [8.089950414444115]
ヘテロジニアスなエッジリソース割り当てのための2つの新しいオンライン価格設定機構が提案されている。
このメカニズムはリアルタイムで動作し、需要分布に関する事前の知識を必要としない。
提案した価格体系では, 利用者が好みのリソースを選択し, 支払うことができ, 観測された履歴データに基づいて動的に資源価格を調整できる。
論文 参考訳(メタデータ) (2023-02-14T10:21:14Z) - Automated deep reinforcement learning for real-time scheduling strategy
of multi-energy system integrated with post-carbon and direct-air carbon
captured system [4.721325160754968]
CDRTの採用は、現在の炭素価格で経済的に不可能である。
提案したDRLエージェントは、プロシューマーの多エネルギー需要を満たすことができ、CDRTエネルギー需要を経済的にスケジュールすることができる。
PCCSと固体吸着DACSの構成が最も適していると考えられている。
論文 参考訳(メタデータ) (2023-01-18T20:22:44Z) - 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) - A Deep Reinforcement Learning-Based Charging Scheduling Approach with
Augmented Lagrangian for Electric Vehicle [2.686271754751717]
本稿では,EV充電スケジューリング問題を制約付きマルコフ決定過程(CMDP)として定式化する。
本稿では, CMDP を解くために, 安全な非政治強化学習(RL)手法を提案する。
実世界の電力価格を用いた総合的な数値実験により,提案アルゴリズムは高解最適性と制約コンプライアンスを実現することができることを示した。
論文 参考訳(メタデータ) (2022-09-20T14:56:51Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-10T17:04:04Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳(メタデータ) (2021-03-07T11:28:54Z) - 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)
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。