論文の概要: System Support for Environmentally Sustainable Computing in Data Centers
- arxiv url: http://arxiv.org/abs/2403.12698v1
- Date: Tue, 19 Mar 2024 12:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 14:13:49.820086
- Title: System Support for Environmentally Sustainable Computing in Data Centers
- Title(参考訳): データセンターにおける環境保全型コンピューティングのためのシステム支援
- Authors: Fan Chen,
- Abstract要約: 現代のデータセンターは環境維持性のサポートが不十分なため、炭素フットプリントの増大に悩まされている。
予備的な結果を提示し、これをデータセンターにおける環境保全コンピューティングを前進させる大きな可能性を秘めているイニシアチブとして認識する。
- 参考スコア(独自算出の注目度): 4.774769264608661
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern data centers suffer from a growing carbon footprint due to insufficient support for environmental sustainability. While hardware accelerators and renewable energy have been utilized to enhance sustainability, addressing Quality of Service (QoS) degradation caused by renewable energy supply and hardware recycling remains challenging: (1) prior accelerators exhibit significant carbon footprints due to limited reconfigurability and inability to adapt to renewable energy fluctuations; (2) integrating recycled NAND flash chips in data centers poses challenges due to their short lifetime, increasing energy consumption; (3) the absence of a sustainability estimator impedes data centers and users in evaluating and improving their environmental impact. This study aims to improve system support for environmentally sustainable data centers by proposing a reconfigurable hardware accelerator for intensive computing primitives and developing a fractional NAND flash cell to extend the lifetime of recycled flash chips while supporting graceful capacity degradation. We also introduce a sustainability estimator to evaluate user task energy consumption and promote sustainable practices. We present our preliminary results and recognize this as an ongoing initiative with significant potential to advance environmentally sustainable computing in data centers and stimulate further exploration in this critical research domain.
- Abstract(参考訳): 現代のデータセンターは環境維持性のサポートが不十分なため、炭素フットプリントの増大に悩まされている。
ハードウェアアクセラレーターと再生可能エネルギーは, 持続可能性を高めるために利用されてきたが, 1) 再生可能エネルギー供給とハードウェアリサイクルによる品質・オブ・サービス(QoS)の劣化に対処する上で, 1) 以前のアクセラレーターは, 再構成性や再生可能エネルギーの変動に適応できないため, 重要な炭素フットプリントを示し, (2) リサイクルされたNANDフラッシュチップをデータセンターに組み込むことは, 寿命の短さ, エネルギー消費の増加, (3) 持続可能性推定装置の欠如により, データセンターやユーザによる環境影響の評価・改善に支障をきたす。
本研究の目的は、集中型計算プリミティブのための再構成可能なハードウェアアクセラレーターを提案し、再生フラッシュチップの寿命を延長し、優れたキャパシティ劣化をサポートしながら、環境保全型データセンターのシステムサポートを改善することである。
また、ユーザタスクのエネルギー消費を評価し、持続可能なプラクティスを促進するサステナビリティ推定器も導入する。
予備的な結果を提示し、これを、データセンターにおける環境維持型コンピューティングを推進し、この重要な研究領域におけるさらなる探索を促進する大きな可能性を持つ、現在進行中のイニシアチブとして認識する。
関連論文リスト
- Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。
ジェネレータはGAN(Generative Adversarial Network)に依存しており、ジェネレータは不安定なデータを生成するために訓練される。
我々の解は、実世界の安定と不安定なサンプルからなるデータセットでテストされ、格子安定性の予測において最大97.5%、敵攻撃の検出において最大98.9%の精度を達成する。
論文 参考訳(メタデータ) (2025-01-27T20:48:25Z) - Addressing the sustainable AI trilemma: a case study on LLM agents and RAG [7.6212949300713015]
大規模言語モデル(LLM)は重要な機能を示しているが、その広範なデプロイメントとより高度なアプリケーションによって、重要な持続可能性の課題が提起されている。
本稿では、持続可能なAIトリレムマの概念を提案し、AI能力、デジタルエクイティ、環境サステナビリティの緊張関係を強調する。
論文 参考訳(メタデータ) (2025-01-14T17:21:16Z) - A Survey of Sustainability in Large Language Models: Applications, Economics, and Challenges [0.7889270818022226]
大規模言語モデル(LLM)は、自然言語理解、生成、推論の高度な機能を提供することによって、多くのドメインを変換している。
研究、医療、クリエイティビティ・メディアといった業界にまたがる、画期的な応用にもかかわらず、彼らの急速な採用は持続可能性に関する重要な懸念を提起する。
本研究では, LLMの環境, 経済, 計算的課題について検討し, データセンターのエネルギー消費, 炭素排出量, 資源利用に着目した。
論文 参考訳(メタデータ) (2024-12-06T05:20:04Z) - Enabling Clean Energy Resilience with Machine Learning-Empowered Underground Hydrogen Storage [0.0]
地下水素貯蔵(UHS)は有望な長期保存ソリューションとして出現する。
本稿では、データ駆動の観点から、その広範な実装を紹介する。
機械学習をシミュレーションに統合するロードマップを概説し、シミュレーションの大規模展開を容易にする。
論文 参考訳(メタデータ) (2024-04-04T06:10:57Z) - Spatio-temporal load shifting for truly clean computing [0.5857582826810999]
本研究では、時間と場所の双方において、コンピュータジョブのシフトと関連する電力負荷の影響について検討する。
我々は,ロードブルティの情報利用に関連する3つの信号を分離した。
24/7 CFEのコストは1.29$pm$0.07 EUR/MWhに削減される。
論文 参考訳(メタデータ) (2024-03-26T13:36:42Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳(メタデータ) (2022-11-29T01:18:58Z) - GreenDB -- A Dataset and Benchmark for Extraction of Sustainability
Information of Consumer Goods [58.31888171187044]
毎週、ヨーロッパのオンラインショップから商品を収集するデータベースであるGreenDBを提示する。
製品サステナビリティのプロキシとして、専門家が評価するサステナビリティラベルに依存している。
本稿では,データを用いてトレーニングしたMLモデルを用いて,製品のサステナビリティラベルを確実に予測できることを示す。
論文 参考訳(メタデータ) (2022-07-21T19:59:42Z) - An Energy and Carbon Footprint Analysis of Distributed and Federated
Learning [42.37180749113699]
古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。
このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。
本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2022-06-21T13:28:49Z) - 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) - 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。