Fugu-MT 論文翻訳(概要): Latent Pollution Model: The Hidden Carbon Footprint in 3D Image Synthesis

論文の概要: Latent Pollution Model: The Hidden Carbon Footprint in 3D Image Synthesis

arxiv url: http://arxiv.org/abs/2407.14892v1
Date: Sat, 20 Jul 2024 14:44:44 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 20:09:56.913632
Title: Latent Pollution Model: The Hidden Carbon Footprint in 3D Image Synthesis
Title（参考訳）: 潜在汚染モデル:3次元画像合成における隠れたカーボンフットプリント
Authors: Marvin Seyfarth, Salman Ul Hassan Dar, Sandy Engelhardt,
Abstract要約: 本研究では,2次元および3次元潜伏拡散モデル(LDM)のトレーニングおよびデータ生成段階における炭素排出量を解析した。 2Dモデルと3Dモデルのトレーニングは、それぞれ10kmと90kmの走行に匹敵する。実験の場所は最大94回まで二酸化炭素排出量を増加させ、年末までも最大50%の排出量に影響を及ぼす可能性がある。
参考スコア（独自算出の注目度）: 2.1454217032117944
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Contemporary developments in generative AI are rapidly transforming the field of medical AI. These developments have been predominantly driven by the availability of large datasets and high computing power, which have facilitated a significant increase in model capacity. Despite their considerable potential, these models demand substantially high power, leading to high carbon dioxide (CO2) emissions. Given the harm such models are causing to the environment, there has been little focus on the carbon footprints of such models. This study analyzes carbon emissions from 2D and 3D latent diffusion models (LDMs) during training and data generation phases, revealing a surprising finding: the synthesis of large images contributes most significantly to these emissions. We assess different scenarios including model sizes, image dimensions, distributed training, and data generation steps. Our findings reveal substantial carbon emissions from these models, with training 2D and 3D models comparable to driving a car for 10 km and 90 km, respectively. The process of data generation is even more significant, with CO2 emissions equivalent to driving 160 km for 2D models and driving for up to 3345 km for 3D synthesis. Additionally, we found that the location of the experiment can increase carbon emissions by up to 94 times, and even the time of year can influence emissions by up to 50%. These figures are alarming, considering they represent only a single training and data generation phase for each model. Our results emphasize the urgent need for developing environmentally sustainable strategies in generative AI.
Abstract（参考訳）: ジェネレーティブAIの現代的発展は、医療AIの分野を急速に変えつつある。これらの開発は、大きなデータセットと高い計算能力の可用性によって主に推進され、モデルキャパシティが大幅に向上した。かなりの可能性にもかかわらず、これらのモデルはかなり高い電力を要求され、二酸化炭素(CO2)の排出量が増加する。このようなモデルが環境に害をもたらすことを考えると、そのようなモデルの炭素フットプリントにはほとんど焦点が当てられていない。本研究では,2次元および3次元潜伏拡散モデル(LDM)のトレーニングおよびデータ生成段階における炭素放出を分析し,大きな画像の合成がこれらの放出に最も寄与することを明らかにする。モデルのサイズ、画像次元、分散トレーニング、データ生成ステップなど、さまざまなシナリオを評価します。実験では, 走行距離が10km, 走行距離が90kmの2Dモデルと3Dモデルとを比較した。データ生成のプロセスはさらに重要であり、CO2排出量は2Dモデルで160kmを駆動し、3D合成で最大3345kmを走行する。さらに、実験の場所は最大94倍まで二酸化炭素排出量を増加させ、年末までも最大50%の排出量に影響を及ぼすことがわかりました。これらの数字は、各モデルの単一のトレーニングとデータ生成フェーズのみを表現していることを考えると、警戒すべきものです。本研究は, 生産型AIにおける環境保全戦略の急激な開発の必要性を強調した。

関連論文リスト

CarbonSense: A Multimodal Dataset and Baseline for Carbon Flux Modelling [9.05128569357374]
データ駆動型カーボンフラックスモデリングのための、最初の機械学習対応データセットであるCarbonSenseを紹介する。我々の実験は、マルチモーダルなディープラーニング技術がこの領域にもたらす可能性を示している。
論文参考訳（メタデータ） (2024-06-07T13:47:40Z)
OpenCarbonEval: A Unified Carbon Emission Estimation Framework in Large-Scale AI Models [16.93272879722972]
OpenCarbonEvalは、二酸化炭素排出量を予測するために様々なモードで大規模なモデルを統合するためのフレームワークである。視覚モデルと言語モデルの両方において,OpenCarbonEvalは,二酸化炭素排出量の予測性能に優れることを示す。
論文参考訳（メタデータ） (2024-05-21T14:50:20Z)
Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文参考訳（メタデータ） (2024-04-28T05:46:28Z)
Green AI: Exploring Carbon Footprints, Mitigation Strategies, and Trade Offs in Large Language Model Training [9.182429523979598]
特に炭素フットプリントが高い大言語モデルのCO2排出量について検討した。我々は, 二酸化炭素排出削減対策を提案することによって, 責任と持続性を有するLLMの育成を議論する。
論文参考訳（メタデータ） (2024-04-01T15:01:45Z)
Exploring the Carbon Footprint of Hugging Face's ML Models: A Repository Mining Study [8.409033836300761]
この研究には、炭素排出量に関するHugging Face Hub APIに関する最初のリポジトリマイニング研究が含まれている。本研究は,(1)MLモデル作成者がHugging Face Hub上でどのように二酸化炭素を計測し,報告するか,(2)トレーニングMLモデルの二酸化炭素排出量にどのような影響があるのか,という2つの研究課題に答えようとしている。
論文参考訳（メタデータ） (2023-05-18T17:52:58Z)
A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文参考訳（メタデータ） (2023-04-14T14:40:32Z)
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)
Deep Generative Models on 3D Representations: A Survey [81.73385191402419]
生成モデルは、新しいインスタンスを生成することによって観測データの分布を学習することを目的としている。最近、研究者は焦点を2Dから3Dにシフトし始めた。 3Dデータの表現は、非常に大きな課題をもたらします。
論文参考訳（メタデータ） (2022-10-27T17:59:50Z)
Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文参考訳（メタデータ） (2022-08-03T20:15:55Z)
Eco2AI: carbon emissions tracking of machine learning models as the first step towards sustainable AI [47.130004596434816]
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
論文参考訳（メタデータ） (2022-07-31T09:34:53Z)
The Open Catalyst 2020 (OC20) Dataset and Community Challenges [36.556154866045894]
触媒の発見と最適化は多くの社会的およびエネルギー的課題を解決する鍵となる。表面および吸着体の元素組成を一般化できるモデルを構築することは、依然としてオープンな課題である。
論文参考訳（メタデータ） (2020-10-20T03:29:18Z)

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。