論文の概要: The Energy Cost of Artificial Intelligence of Things Lifecycle

• arxiv url: http://arxiv.org/abs/2408.00540v2
• Date: Wed, 19 Feb 2025 10:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:56:48.882487
• Title: The Energy Cost of Artificial Intelligence of Things Lifecycle
• Title（参考訳）: モノの人工知能のエネルギーコスト
• Authors: Shih-Kai Chou, Jernej Hribar, Vid Hanžel, Mihael Mohorčič, Carolina Fortuna,
• Abstract要約: 我々は,AIライフサイクルのエネルギーコスト(eCAL)という新しい指標を提案する。 eCALは、AI駆動の無線システムのアーキテクチャコンポーネントとライフサイクルを通して、エネルギー消費をキャプチャする。 モデルが良くなるほど、それが使われるほど、推論のエネルギー効率が増すことが示される。
• 参考スコア（独自算出の注目度）: 0.44739156031315913
• License:
• Abstract: Artificial Intelligence (AI) coupled with the existing Internet of Things (IoT) enables more autonomous operations across various economic sectors. While this paradigm shift results in increased energy consumption it is difficult to quantify the end-to-end energy consumption of such systems with the conventional metrics as they either focus on the communication, the computation infrastructure or model development. To address this, we propose a new metric, the Energy Cost of AI lifecycle (eCAL). eCAL captures the energy consumption throughout the architectural components and lifecycle of an AI-powered wireless system by analyzing the complexity of data collection and manipulation in individual components and deriving overall and per-bit energy consumption. We show that the better a model and the more it is used, the more energy efficient an inference is. For an example Artificial Intelligence of Things (AIoT) configuration, eCAL for making 100 inferences is 2.73 times higher than for 1000 inferences. Additionally, we developed a modular open source simulation tool to enable researchers, practitioners, and engineers to calculate the end-to-end energy cost with various configurations and across various systems, ensuring adaptability to diverse use cases.
• Abstract（参考訳）: 人工知能(AI)は、既存のIoT(Internet of Things)と組み合わせることで、さまざまな経済分野におけるより自律的なオペレーションを可能にします。 このパラダイムシフトは、エネルギー消費の増加をもたらすが、従来のメトリクスでそのようなシステムのエンドツーエンドのエネルギー消費を定量化することは困難である。 そこで我々は,AIライフサイクルのエネルギーコスト(eCAL)という新たな指標を提案する。 eCALは、個々のコンポーネントのデータ収集と操作の複雑さを分析し、全体およびビット単位のエネルギー消費を導出することにより、AI駆動の無線システムのアーキテクチャコンポーネントとライフサイクルを通してエネルギー消費をキャプチャする。 モデルが良くなるほど、それが使われるほど、推論のエネルギー効率が増すことが示される。 例えば、Artificial Intelligence of Things(AIoT)の構成では、100の推論を行うeCALは1000の推論よりも2.73倍高い。 さらに、研究者、実践者、エンジニアが様々な構成と様々なシステムでエンドツーエンドのエネルギーコストを計算し、多様なユースケースへの適応性を確保するために、モジュラー・オープンソース・シミュレーションツールを開発した。

関連論文リスト

• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Present and Future of AI in Renewable Energy Domain : A Comprehensive Survey [0.0]
  人工知能(AI)は、様々な産業におけるプロセスを合理化するための重要な手段となっている。 現代の電力システムの再生可能エネルギー(RE)を支援するため、9つのAIベースの戦略がここで特定されている。 この研究は、再生可能エネルギー生成にAI技術を使用すること、再生可能エネルギー予測にAIを活用すること、エネルギーシステムの最適化という3つの主要なトピックについても論じている。
  論文  参考訳（メタデータ） (2024-06-22T04:36:09Z)
• Toward Cross-Layer Energy Optimizations in AI Systems [4.871463967255196]
  エネルギー効率は、人工知能の採用に歯止めをかける要因になる可能性が高い。 人工知能(AI)や機械学習(ML)ツールや技術の普及によって、そのエネルギー効率が採用への歯止め要因になりそうである。 これは、生成AI(GenAI)モデルが巨大なエネルギー豚であるからである。 推論はさらにエネルギーを消費する。
  論文  参考訳（メタデータ） (2024-04-10T01:35:17Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• 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)
• EPAM: A Predictive Energy Model for Mobile AI [6.451060076703027]
  本稿では,異なるディープニューラルネットワーク(DNN)モデルと処理源を考慮したモバイルAIアプリケーションに関する総合的研究を紹介する。 4つの処理源を用いて,全モデルのレイテンシ,エネルギー消費,メモリ使用量を測定した。 私たちの研究は、CPU、GPU、NNAPIを使用して、異なるアプリケーション(ビジョンとノンビジョン)でモバイルAIがどのように振る舞うか、といった重要な洞察を強調しています。
  論文  参考訳（メタデータ） (2023-03-02T09:11:23Z)
• Precise Energy Consumption Measurements of Heterogeneous Artificial Intelligence Workloads [0.534434568021034]
  本稿では,異なるタイプの計算ノード上でのディープラーニングモデルの典型的な2つの応用のエネルギー消費の測定を行う。 我々のアプローチの1つの利点は、スーパーコンピュータの全ユーザーがエネルギー消費に関する情報を利用できることである。
  論文  参考訳（メタデータ） (2022-12-03T21:40:55Z)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。