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
- Carbon Footprint Accounting Driven by Large Language Models and Retrieval-augmented Generation [3.428260237038657]
従来のライフサイクルアセスメント手法は人間の専門知識に大きく依存しており、ほぼリアルタイムのアップデートを困難にしている。
本稿では,大規模言語モデル(LLM)と検索拡張生成技術を統合し,炭素フットプリント情報検索と分析のリアルタイム,専門的,経済的な側面を強化する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-19T06:05:24Z) - Carbon Market Simulation with Adaptive Mechanism Design [55.25103894620696]
炭素市場(英: carbon market)は、個人の利益をグローバルユーティリティーと整合させる経済エージェントをインセンティブとする、市場ベースのツールである。
階層型モデルフリーマルチエージェント強化学習(MARL)を用いて市場をシミュレートする適応機構設計フレームワークを提案する。
MARLは、政府エージェントが生産性、平等、二酸化炭素排出のバランスをとることができることを示している。
論文 参考訳（メタデータ） (2024-06-12T05:08:51Z) - 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) - LACS: Learning-Augmented Algorithms for Carbon-Aware Resource Scaling with Uncertain Demand [1.423958951481749]
本稿では,未知の作業時間(OCSU)を用いたオンラインCO_2-Awareリソーススケーリング問題について検討する。
我々は,論理的に堅牢な学習拡張アルゴリズムであるLACSを提案し,OCSUを解く。
LACSは、納期を意識した炭素に依存しない作業と比較して、炭素フットプリントの32%の削減を実現している。
論文 参考訳（メタデータ） (2024-03-29T04:54:22Z) - Online Conversion with Switching Costs: Robust and Learning-Augmented Algorithms [11.029788598491077]
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) - 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) - 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。