論文の概要: Green HPC: An analysis of the domain based on Top500
- arxiv url: http://arxiv.org/abs/2403.17466v1
- Date: Tue, 26 Mar 2024 07:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 16:16:34.247136
- Title: Green HPC: An analysis of the domain based on Top500
- Title（参考訳）: Green HPC: Top500に基づくドメインの分析
- Authors: Abdessalam Benhari, Denis Trystram, Fanny Dufossé, Yves Denneulin, Frédéric Desprez,
- Abstract要約: 本稿では,HPC システムのエネルギー消費の隠蔽問題について考察する。
本研究の目的は,Top500とGreen500のデータを分析し,その環境影響に関する領域の動態を明らかにすることである。
- 参考スコア（独自算出の注目度）: 0.10485739694839666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The demand in computing power has never stopped growing over the years. Today, the performance of the most powerful systems exceeds the exascale and the number of petascale systems continues to grow. Unfortunately, this growth also goes hand in hand with ever-increasing energy costs, which in turn means a significant carbon footprint. In view of the environmental crisis, this paper intents to look at the often hidden issue of energy consumption of HPC systems. As it is not easy to access the data of the constructors, we then consider the Top500 as the tip of the iceberg to identify the trends of the whole domain.The objective of this work is to analyze Top500 and Green500 data from several perspectives in order to identify the dynamic of the domain regarding its environmental impact. The contributions are to take stock of the empirical laws governing the evolution of HPC computing systems both from the performance and energy perspectives, to analyze the most relevant data for developing the performance and energy efficiency of large-scale computing systems, to put these analyses into perspective with effects and impacts (lifespan of the HPC systems) and finally to derive a predictive model for the weight of HPC sector within the horizon 2030.
- Abstract（参考訳）: コンピューティングパワーの需要は、長年にわたって成長を止めていない。
現在、最も強力なシステムの性能はエクサスケールを超え、ペタスケールシステムの数は増え続けている。
残念なことに、この成長はエネルギーコストの増大と相まって進行している。
本稿では, 環境問題の観点から, HPC システムのエネルギー消費の隠蔽問題について考察する。
コンストラクタのデータにアクセスするのは容易ではないため、Top500を氷山の一角とみなして領域全体の傾向を把握し、Top500およびGreen500データを様々な観点から分析し、その環境影響に関するドメインの動態を明らかにする。
この貢献は、性能とエネルギーの両面からHPCコンピューティングシステムの進化を規定する実証的な法則を定め、大規模コンピューティングシステムの性能とエネルギー効率を開発するための最も関連性の高いデータを分析し、これらの分析を影響と影響(HPCシステムの寿命)の観点から考察し、最終的に水平線2030内のHPCセクターの重量予測モデルを導出することである。
関連論文リスト
- Physics-guided machine learning predicts the planet-scale performance of solar farms with sparse, heterogeneous, public data [0.0]
新興PV技術の可能性とスケーラビリティを予測するためには,これらのシステムの性能のグローバルな理解が不可欠である。
a)世界はPVZonesと呼ばれるいくつかのPV固有の気候ゾーンに分けて、関連する気象条件が大陸間で共有されていること、(b)気候的類似性を利用して、5か所の高品質な月次エネルギー収量データを用いて、空間分解能の高い年間エネルギー収量電位を正確に予測し、根平均二乗誤差が8m$2,000ドル未満であることを示すための、物理学誘導機械学習(PGML)スキームを提案する。
論文 参考訳（メタデータ） (2024-07-25T08:06:21Z) - Exploring Artificial Intelligence Methods for Energy Prediction in
Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。
このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。
この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
論文 参考訳（メタデータ） (2023-11-27T13:30:20Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - 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) - Machine Learning and Analytical Power Consumption Models for 5G Base
Stations [6.287715553901191]
本稿では,5GマルチキャリアBSの消費電力を現実的に評価するための新しいモデルを提案する。
このフレームワークが収集した知識を活用して、現実的で分析可能な電力消費モデルを導出する。
論文 参考訳（メタデータ） (2022-09-23T14:07:36Z) - Data augmentation for learning predictive models on EEG: a systematic
comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。
EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。
データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文 参考訳（メタデータ） (2022-06-29T09:18:15Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - Chasing Carbon: The Elusive Environmental Footprint of Computing [11.992632765006087]
我々は、炭素排出量の観点から計算の環境効果を分析する。
現代のモバイルおよびデータセンター機器に関連するほとんどの排出量は、ハードウェア製造とインフラから来ている。
論文 参考訳（メタデータ） (2020-10-28T18:15:22Z) - AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the
Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of
BMS and Environmental Data [12.681421165031576]
建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。
シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。
ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
論文 参考訳（メタデータ） (2020-10-09T09:51:03Z)
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。