論文の概要: Green Edge AI: A Contemporary Survey
- arxiv url: http://arxiv.org/abs/2312.00333v1
- Date: Fri, 1 Dec 2023 04:04:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 15:37:54.911830
- Title: Green Edge AI: A Contemporary Survey
- Title（参考訳）: Green Edge AI - 現代の調査
- Authors: Yuyi Mao and Xianghao Yu and Kaibin Huang and Ying-Jun Angela Zhang
and Jun Zhang
- Abstract要約: グリーンエッジAIに関する現代の調査を紹介する。
その可能性にもかかわらず、エッジAIは重大な課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、ディープラーニング(DL)のリソース集約性との間の二分である。
我々は、エッジAIシステムにおける3つの重要なタスクに対して、トレーニングデータ取得、エッジトレーニング、エッジ推論を含むエネルギー効率の高い設計手法について検討する。
- 参考スコア（独自算出の注目度）: 49.47249665895926
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) technologies have emerged as pivotal enablers
across a multitude of industries, including consumer electronics, healthcare,
and manufacturing, largely due to their resurgence over the past decade. The
transformative power of AI is primarily derived from the utilization of deep
neural networks (DNNs), which require extensive data for training and
substantial computational resources for processing. Consequently, DNN models
are typically trained and deployed on resource-rich cloud servers. However, due
to potential latency issues associated with cloud communications, deep learning
(DL) workflows are increasingly being transitioned to wireless edge networks
near end-user devices (EUDs). This shift is designed to support
latency-sensitive applications and has given rise to a new paradigm of edge AI,
which will play a critical role in upcoming 6G networks to support ubiquitous
AI applications. Despite its potential, edge AI faces substantial challenges,
mostly due to the dichotomy between the resource limitations of wireless edge
networks and the resource-intensive nature of DL. Specifically, the acquisition
of large-scale data, as well as the training and inference processes of DNNs,
can rapidly deplete the battery energy of EUDs. This necessitates an
energy-conscious approach to edge AI to ensure both optimal and sustainable
performance. In this paper, we present a contemporary survey on green edge AI.
We commence by analyzing the principal energy consumption components of edge AI
systems to identify the fundamental design principles of green edge AI. Guided
by these principles, we then explore energy-efficient design methodologies for
the three critical tasks in edge AI systems, including training data
acquisition, edge training, and edge inference. Finally, we underscore
potential future research directions to further enhance the energy efficiency
of edge AI.
- Abstract（参考訳）: 人工知能(AI)技術は、消費者電子製品、医療、製造業など、さまざまな産業において重要な実現要因として現れてきた。
aiのトランスフォーメーションパワーは、トレーニングのための広範なデータと、処理のためのかなりの計算リソースを必要とするディープニューラルネットワーク(dnn)の利用から導かれている。
その結果、DNNモデルは一般的にトレーニングされ、リソース豊富なクラウドサーバにデプロイされる。
しかし、クラウド通信に関連する潜在的なレイテンシの問題により、ディープラーニング(DL)ワークフローは、エンドユーザーデバイス(EUD)近くの無線エッジネットワークに移行しつつある。
このシフトはレイテンシに敏感なアプリケーションをサポートするように設計されており、エッジAIの新しいパラダイムが生まれ、ユビキタスAIアプリケーションをサポートする6Gネットワークにおいて重要な役割を果たす。
その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分断である。
具体的には、大規模なデータ取得とDNNのトレーニングおよび推論プロセスにより、EUDのバッテリエネルギーが急速に低下する可能性がある。
これにより、最適なパフォーマンスと持続可能なパフォーマンスを確保するために、エッジAIに対するエネルギーを意識したアプローチが必要になる。
本稿では,グリーンエッジAIに関する現代の調査を紹介する。
我々は、グリーンエッジAIの基本設計原則を特定するために、エッジAIシステムの主要なエネルギー消費成分を分析して開始する。
これらの原則に導かれ、トレーニングデータ取得、エッジトレーニング、エッジ推論を含む、エッジAIシステムにおける3つの重要なタスクのためのエネルギー効率の高い設計方法論を探索する。
最後に、エッジAIのエネルギー効率をさらに高めるために、将来的な研究の方向性を明らかにする。
関連論文リスト
- Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。
この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。
本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
論文 参考訳（メタデータ） (2024-03-14T07:40:32Z) - From Cloud to Edge: Rethinking Generative AI for Low-Resource Design
Challenges [7.1341189275030645]
私たちは、エッジで設計するための生成AIの可能性、課題、そして有望なアプローチを検討します。
目的は、設計問題に対する目覚ましいソリューションを作成する際に、生成AIのパワーを活用することである。
論文 参考訳（メタデータ） (2024-02-20T03:59:27Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳（メタデータ） (2023-09-23T00:05:39Z) - Task-Oriented Integrated Sensing, Computation and Communication for
Wireless Edge AI [46.61358701676358]
エッジ人工知能(AI)は、従来のクラウドをネットワークエッジまで高速に計算するために提案されている。
近年,特定のエッジAIタスクに対する無線センシング,計算,通信(SC$2$)の収束が,パラダイムシフトを引き起こしている。
超信頼性で低レイテンシなエッジインテリジェンス獲得を実現するために、完全に統合されたセンシング、計算、通信(I SCC)を進めることが最重要である。
論文 参考訳（メタデータ） (2023-06-11T06:40:51Z) - Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and
Applications [39.223546118441476]
6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する
ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。
エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
論文 参考訳（メタデータ） (2021-11-24T11:47:16Z) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z) - Artificial Intelligence for UAV-enabled Wireless Networks: A Survey [72.10851256475742]
無人航空機(UAV)は次世代無線通信ネットワークにおいて有望な技術であると考えられている。
人工知能(AI)は近年急速に成長し、成功している。
UAVベースのネットワークにおけるAIの潜在的な応用について概観する。
論文 参考訳（メタデータ） (2020-09-24T07:11:31Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。
このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。
AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
論文 参考訳（メタデータ） (2020-02-22T09:27:55Z)
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。