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
- 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) - Green Edge AI: A Contemporary Survey [49.47249665895926]
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。
論文 参考訳(メタデータ) (2023-12-01T04:04:37Z) - A Review on AI Algorithms for Energy Management in E-Mobility Services [4.084938013041068]
エモービリティ(E-mobility、電気モビリティ)は、環境や持続可能性の懸念に対処するための重要なソリューションとして登場した。
本稿では,e-mobilityシステムにおける効率的なエネルギー管理に関する様々な課題に,人工知能(AI)が取り組む可能性を探究する。
論文 参考訳(メタデータ) (2023-09-26T16:34:35Z) - 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) - FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy
Providers [1.1254693939127909]
我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。
我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。
予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
論文 参考訳(メタデータ) (2022-03-01T04:16:19Z) - 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。