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
- 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) - 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) - 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) - 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) - Curb Your Carbon Emissions: Benchmarking Carbon Emissions in Machine
Translation [0.0]
本研究では, 炭素効率について検討し, トレーニングモデルによる環境影響の低減のための代替策を提案する。
本研究では,機械翻訳モデルの性能を複数の言語対で評価する。
これらのモデルの様々なコンポーネントを調べ、これらの二酸化炭素排出量を減らすために最適化できるパイプラインの側面を分析します。
論文 参考訳(メタデータ) (2021-09-26T12:30:10Z) - 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。
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。