論文の概要: Integrating Sustainable Computing With Sustainable Energy Research

• arxiv url: http://arxiv.org/abs/2412.12355v1
• Date: Mon, 16 Dec 2024 20:56:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 17:09:38.453346
• Title: Integrating Sustainable Computing With Sustainable Energy Research
• Title（参考訳）: サステナブルコンピューティングとサステナブルエネルギー研究の統合
• Authors: Michael James Martin, Aaron Andersen, Charles Tripp, Kristin Munch,
• Abstract要約: NRELの計算科学センターには、サステナビリティ研究に特化した最大の高性能コンピューティング能力がある。 EEREによるサステナビリティ研究におけるHPC使用率は10年間で30。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NREL's computational sciences center hosts the largest high performance computing (HPC) capabilities dedicated to sustainability research while functioning as a living laboratory for sustainable computing. NREL's HPC capabilities support the research needs of the Department of Energy's Office of Energy Efficiency and Renewable Energy (EERE). In ten years of operation, HPC use in EERE-sponsored sustainability research has grown by a factor of 30. This paper analyzes this research portfolio, providing examples of individual use cases. The paper documents NREL's history of operating one of the world's most sustainable data centers while examining pathways to improving sustainability beyond reduction of PUE. This paper concludes by examining the unique opportunities created for sustainable computing research created by combining an HPC system dedicated to sustainability research and a research program in sustainable computing.
• Abstract（参考訳）: NRELの計算科学センターは、サステナビリティ研究のための最大のハイパフォーマンスコンピューティング(HPC)能力を持ち、サステナビリティコンピューティングのためのリビングラボとして機能している。 NRELのHPC能力はエネルギー省エネルギー効率再生エネルギー局(EERE)の研究ニーズをサポートする。 EEREによるサステナビリティ研究におけるHPC使用率は10年間で30。 本稿では、この研究ポートフォリオを分析し、個別のユースケースの例を示す。 この論文は、NRELが世界で最も持続可能なデータセンターの1つを運営し、PUEの削減を超えてサステナビリティを向上させるための道筋を調査した歴史を文書化している。 本稿では,サステナビリティ研究専用のHPCシステムと,サステナビリティコンピューティングの研究プログラムを組み合わせた,持続可能なコンピューティング研究のためのユニークな機会について考察する。

関連論文リスト

• 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)
• Quantum Computing for Energy Management: A Semi Non-Technical Guide for Practitioners [0.0]
  量子コンピューティングは、ハードウェアとソフトウェアの両方レベルでの情報処理の新たなパラダイムである。 この章では、エネルギー管理アプリケーションに量子コンピューティングを使用する機会と課題について論じる。
  論文  参考訳（メタデータ） (2024-11-15T00:23:40Z)
• Sustainable Quantum Computing: Opportunities and Challenges of Benchmarking Carbon in the Quantum Computing Lifecycle [4.239520037881946]
  本稿では,基礎的方法論とオープンな研究課題を提供する炭素対応量子コンピューティングフレームワークを提案する。 私たちの活動への呼びかけは、持続可能な量子コンピューティングとして知られる新しい研究方向の確立です。
  論文  参考訳（メタデータ） (2024-08-11T03:02:19Z)
• Heuristics and Metaheuristics for Dynamic Management of Computing and Cooling Energy in Cloud Data Centers [0.0]
  共同冷却・計算最適化のための新しい電力・熱対応戦略とモデルを提案する。 結果から,メタヒューリスティックアルゴリズムと最適適応アルゴリズムの併用により,グローバルエネルギーを高速かつ軽量な最適化戦略に記述できることが示唆された。 このアプローチにより、コンピューティングと冷却インフラストラクチャの両方を考慮して、データセンターのエネルギー効率を21.74%向上し、サービス品質を維持しながら、最大で21.74%向上できる。
  論文  参考訳（メタデータ） (2023-12-17T09:40:36Z)
• 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)
• Managing Software Provenance to Enhance Reproducibility in Computational Research [1.1421942894219899]
  計算に基づく科学研究の管理は、個人の好みと研究の性質に基づいて実験を設計する個々の研究者に委ねられることが多い。 我々は、研究者がトレーサビリティーの明確な記録を提供するための実行環境を明示的に作成することで、計算に基づく科学研究の品質、効率、そして改善できると考えている。
  論文  参考訳（メタデータ） (2023-08-29T21:13:18Z)
• An Open Community-Driven Model For Sustainable Research Software: Sustainable Research Software Institute [0.586336038845426]
  Sustainable Research Software Institute (SRSI) モデルは、研究ソフトウェアコミュニティにおける持続可能なプラクティスを促進する。 このホワイトペーパーはSRSIモデルの詳細な概要を提供し、その目的、サービス、資金調達メカニズム、コラボレーション、そしてそれが研究ソフトウェアコミュニティに与える影響について概説する。
  論文  参考訳（メタデータ） (2023-08-29T01:00:32Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• EC-NAS: Energy Consumption Aware Tabular Benchmarks for Neural Architecture Search [7.178157652947453]
  ディープラーニングモデルの選択、トレーニング、デプロイによるエネルギー消費は、最近大幅に増加しています。 この研究は、計算資源の少ないエネルギー効率の高いディープラーニングモデルの設計を容易にすることを目的としている。
  論文  参考訳（メタデータ） (2022-10-12T08:39:35Z)
• 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)
• 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)
• A Comprehensive Review on the NILM Algorithms for Energy Disaggregation [0.0]
  非侵入負荷モニタリング(NILM)またはエネルギー分散は、集合レベルで測定された家庭用エネルギーを構成機器に分離することを目的としている。 本稿では、効果的なNILMシステムフレームワークの調査を行い、ベンチマークアルゴリズムのパフォーマンスをレビューする。
  論文  参考訳（メタデータ） (2021-02-20T23:53:57Z)
• 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)
• 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)
• 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。