論文の概要: Towards Green AI-Native Networks: Evaluation of Neural Circuit Policy for Estimating Energy Consumption of Base Stations

• arxiv url: http://arxiv.org/abs/2504.02781v1
• Date: Thu, 03 Apr 2025 17:22:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:58:37.473814
• Title: Towards Green AI-Native Networks: Evaluation of Neural Circuit Policy for Estimating Energy Consumption of Base Stations
• Title（参考訳）: グリーンAI-Native Networksに向けて:基地局のエネルギー消費推定のためのニューラルネットワークポリシーの評価
• Authors: Selim Ickin, Shruti Bothe, Aman Raparia, Nitin Khanna, Erik Sanders,
• Abstract要約: 無線ハードウェアとAIベースのネットワーク管理ソフトウェアの最適化は、無線アクセスネットワークにおいてかなりのエネルギー節約をもたらす。 基盤となる機械学習(ML)モデルを実行するには、さらなる計算とエネルギが必要になる。 本研究は, 基地局のエネルギー消費を推定するために, スパース構造化ニューラルサーキットポリシ(NCP)の新たな利用法を評価する。
• 参考スコア（独自算出の注目度）: 5.466248014150832
• License:
• Abstract: Optimization of radio hardware and AI-based network management software yield significant energy savings in radio access networks. The execution of underlying Machine Learning (ML) models, which enable energy savings through recommended actions, may require additional compute and energy, highlighting the opportunity to explore and adopt accurate and energy-efficient ML technologies. This work evaluates the novel use of sparsely structured Neural Circuit Policies (NCPs) in a use case to estimate the energy consumption of base stations. Sparsity in ML models yields reduced memory, computation and energy demand, hence facilitating a low-cost and scalable solution. We also evaluate the generalization capability of NCPs in comparison to traditional and widely used ML models such as Long Short Term Memory (LSTM), via quantifying their sensitivity to varying model hyper-parameters (HPs). NCPs demonstrated a clear reduction in computational overhead and energy consumption. Moreover, results indicated that the NCPs are robust to varying HPs such as number of epochs and neurons in each layer, making them a suitable option to ease model management and to reduce energy consumption in Machine Learning Operations (MLOps) in telecommunications.
• Abstract（参考訳）: 無線ハードウェアとAIベースのネットワーク管理ソフトウェアの最適化は、無線アクセスネットワークにおいてかなりのエネルギー節約をもたらす。 推奨アクションによる省エネを可能にする基盤となる機械学習(ML)モデルの実行には、計算とエネルギーの追加が必要になり、正確でエネルギー効率のよいMLテクノロジを探求し、採用する機会が浮き彫りになる。 本研究は, 基地局のエネルギー消費を推定するために, スパース構造化ニューラルサーキットポリシ(NCP)の新たな利用法を評価する。 MLモデルのスポーザリティは、メモリ、計算、エネルギー需要を削減し、従って低コストでスケーラブルなソリューションを容易にします。 また,異なるモデルハイパーパラメータ(HP)に対する感度の定量化により,LSTM(Long Short Term Memory)などの従来のMLモデルと比較して,NCPの一般化能力を評価する。 NCPは計算オーバーヘッドとエネルギー消費を明らかに削減した。 さらに,NCPは各層におけるエポック数やニューロン数などのHPの変動に対して堅牢であり,通信における機械学習操作(MLOps)におけるモデル管理の容易化とエネルギー消費の削減に適した選択肢であることを示した。

関連論文リスト

• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Compression of Site-Specific Deep Neural Networks for Massive MIMO Precoding [4.8310710966636545]
  本稿では,深層学習を用いたmMIMOプリコーダの計算エネルギー効率について検討する。 本稿では,混合精度量子化学習とニューラルアーキテクチャ探索を併用して,エネルギー使用量を削減するフレームワークを提案する。 この結果から,ニューラルネットワークの深部圧縮はWMMSEの35倍のエネルギー効率を持つプリコーダを同等の性能で生成することがわかった。
  論文  参考訳（メタデータ） (2025-02-12T20:03:32Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• Towards Physical Plausibility in Neuroevolution Systems [0.276240219662896]
  人工知能(AI)モデル、特にディープニューラルネットワーク(DNN)の利用の増加は、トレーニングや推論における消費電力を増加させている。 本研究は機械学習(ML)におけるエネルギー消費の増大問題に対処する。 電力使用量をわずかに削減しても、大幅な省エネ、ユーザ、企業、環境に恩恵をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-01-31T10:54:34Z)
• Adaptive Dynamic Programming for Energy-Efficient Base Station Cell Switching [19.520603265594108]
  無線ネットワークの省エネは、次世代のセルネットワークの進化に対する需要が増大しているため、重要になっている。 本稿では,ネットワーク電力消費量を減らすために,オンライン最適化と併用して,基地局のセルをオン/オフする近似動的プログラミング(ADP)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T14:50:12Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• 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)

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。