Fugu-MT 論文翻訳(概要): Evaluating Total Environmental Impact for a Computing Infrastructure

論文の概要: Evaluating Total Environmental Impact for a Computing Infrastructure

arxiv url: http://arxiv.org/abs/2309.04605v1
Date: Fri, 8 Sep 2023 21:30:35 GMT
ステータス: 処理完了
システム内更新日: 2023-09-12 17:38:43.616442
Title: Evaluating Total Environmental Impact for a Computing Infrastructure
Title（参考訳）: コンピューティングインフラにおける総環境影響評価
Authors: Adrian Jackson (1), Jon Hays (2), Alex Owen (2), Nicholas Walton (3), Alison Packer (4), Anish Mudaraddi (4) ((1) EPCC, The University of Edinburgh (2) School of Physical and Chemical Sciences, Queen Mary University of London (3) Institute of Astronomy, University of Cambridge, (4) Scientific Computing, STFC, Rutherford Appleton Laboratory)
Abstract要約: 我々は、その影響を計算するために使用される炭素モデルと、定義されたリソースセットに対する影響を定量化するために収集されたデータについて概説する。我々は、スナップショット期間における炭素相当の気候影響の量について、さまざまな推定値を作成します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper we outline the results of a project to evaluate the total climate/carbon impact of a digital research infrastructure for a defined snapshot period. We outline the carbon model used to calculate the impact and the data collected to quantify that impact for a defined set of resources. We discuss the variation in potential impact across both the active and embodied carbon for computing hardware and produce a range of estimates on the amount of carbon equivalent climate impact for the snapshot period.
Abstract（参考訳）: 本稿では,デジタル研究基盤の気候・炭素の影響を,所定のスナップショット期間で評価するプロジェクトの結果について概説する。我々は,その影響を計算するための炭素モデルと,その影響を定量化するために収集されたデータについて概説する。本研究は,ハードウェアの活性炭と具体化炭素の両方における潜在的影響の変動を考察し,スナップショット期間における炭素等価気候影響の程度を推定する。

関連論文リスト

The Sunk Carbon Fallacy: Rethinking Carbon Footprint Metrics for Effective Carbon-Aware Scheduling [2.562727244613512]
本研究は, 炭素会計指標を用いて, 所定のサーバ群上での炭素を意識したジョブスケジューリングと配置を評価する。本研究では, 炭素添加コストに影響を及ぼす要因について検討した。
論文参考訳（メタデータ） (2024-10-19T12:23:59Z)
Uncertainty-Aware Decarbonization for Datacenters [3.3710889580795538]
時間と空間の2種類の不確実性を特定し解析する。本研究では,不確実性を定量化する上での時間的ダイナミクスに対処するための共形予測に基づくフレームワークを提案する。本研究では,時間的および空間的負荷シフトに着目して,生産電力トレースを用いた2つのケーススタディを行う。
論文参考訳（メタデータ） (2024-07-02T16:04:16Z)
CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data Centers [18.54380015603228]
大規模人工知能(AI)モデルの訓練には、計算能力とエネルギーが要求されるため、炭素フットプリントが増加し、環境に悪影響を及ぼす可能性がある。本稿は、地理的に分散した(地理的に分散した)データセンターでAIモデルをトレーニングする際の課題を考察し、学習性能と炭素フットプリントのバランスを強調する。固定炭素フットプリント予算内でのトレーニングを最適化するために,CAFE(Carbon-Aware Federated Learning)と呼ばれる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-11-06T23:59:22Z)
Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文参考訳（メタデータ） (2023-07-14T06:50:02Z)
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)
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)
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)
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)
Semantic Workflows and Machine Learning for the Assessment of Carbon Storage by Urban Trees [3.7326934284216877]
本研究は、気候変動に関する政府間パネル(IPCC)のガイドラインに従って、アフリカの地域における炭素貯蔵量を推定する。我々の知る限りでは、気候変動に関する政府間パネル(IPCC)のガイドラインに従い、アフリカ各地の炭素貯蔵量を推定する最初の研究である。
論文参考訳（メタデータ） (2020-09-22T01:30:29Z)
Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。