論文の概要: Eco-SoC: A Sustainable VLSI Architecture for Energy-Proportional Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2608.08761v1
- Date: Sun, 09 Aug 2026 15:21:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.941843
- Title: Eco-SoC: A Sustainable VLSI Architecture for Energy-Proportional Artificial Intelligence
- Title（参考訳）: Eco-SoC: エネルギー生産型人工知能のための持続可能なVLSIアーキテクチャ
- Abstract要約: 本稿では,持続可能人工知能に特化して設計された,スケーラブルなVLSIアーキテクチャであるEco-SoCを紹介する。
本稿では,ビット幅精度を適応的に変調するハードウェアレベルの動的精度スケーリング論理(DPSL)フレームワークを提案する。
Eco-SoCは、熱を意識したパワーゲーティング機構を導入することで、シリコンの予測平均時間障害(MTTF)を2倍にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In an era defined by escalating climate change and the pervasive deployment of edge intelligence, the environmental cost of semiconductor manufacturing and operation has reached a critical threshold. As Deep Learning (DL) accelerators dominate System-on-Chip (SoC) die area, achieving true sustainability requires a paradigm shift from static worst-case efficiency to dynamic energy-proportionality. This paper introduces Eco-SoC, a highly scalable VLSI architecture co-designed specifically for sustainable artificial intelligence. We propose a hardware-level Dynamic Precision-Scaling Logic (DPSL) framework that adaptively modulates bit-width precision based on real-time activation sparsity, successfully reducing switching activity by up to 42% on a commercial 7nm FinFET process node. Furthermore, we transcend traditional Power-Performance-Area (PPA) metrics by providing a comprehensive Life Cycle Assessment (LCA) using the Architectural Carbon footprint Tool (ACT). Our synthesis demonstrates that Eco-SoC offsets its increased embodied carbon footprint (a marginal 4.8% area overhead) within 1.1 years of edge deployment. Finally, by introducing a thermal-aware power gating mechanism that mitigates localized hotspots, Eco-SoC doubles the projected Mean Time To Failure (MTTF) of the silicon, providing a tangible, scalable strategy for electronic waste (e-waste) mitigation in next-generation computing systems.
- Abstract（参考訳）: 気候変動のエスカレートとエッジインテリジェンスの普及によって定義される時代において、半導体製造と運転の環境コストは重要なしきい値に達している。
ディープラーニング(DL)アクセラレーターがSystem-on-Chip(SoC)ダイエリアを支配しているため、真の持続可能性を達成するには、静的最悪のケース効率から動的エネルギー比例率へのパラダイムシフトが必要である。
本稿では,持続可能人工知能に特化して設計された,スケーラブルなVLSIアーキテクチャであるEco-SoCを紹介する。
本研究では,リアルタイムのアクティベーション間隔に基づいてビット幅の精度を適応的に調整し,商用7nm FinFETプロセスノード上で最大42%のスイッチング活性を向上するハードウェアレベルの動的精度スケーリング論理(DPSL)フレームワークを提案する。
さらに,従来のPPA(Power-Performance-Area)メトリクスを,ACT(Architectural Carbon footprint Tool)を使用した総合ライフサイクルアセスメント(LCA)によって超越する。
我々の合成は、Eco-SoCが1.1年以内の二酸化炭素排出量の増加(面積の限界4.8%)を相殺することを示した。
最後に、局所的なホットスポットを緩和する熱認識型パワーゲーティング機構を導入することで、Eco-SoCはシリコンの予測平均時間障害(MTTF)を2倍にし、次世代コンピューティングシステムにおける電子廃棄物(e-waste)軽減のための具体的なスケーラブルな戦略を提供する。
関連論文リスト
- LaST-R1: Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning [90.86828952599147]
提案するLaST-R1(LaST-R1)は,「最近の推論・行動」政策を活用するために設計された,新しい強化学習フレームワークである。
LaST-R1 は LIBERO ベンチマークで 99.9% の平均成功率を達成した。
実世界の展開では、LaST-R1はSOTAが監督する微調整アプローチよりも22.5%平均的に改善されている。
論文 参考訳（メタデータ） (2026-04-30T17:59:52Z) - Evaluating the Environmental Impact of using SLMs and Prompt Engineering for Code Generation [2.2165845825140695]
本稿では,サステナビリティ・ファクターとともにコード生成の精度に異なるエンジニアリング・ストラテジーがどう影響するかを,最初の系統的な実証的研究を行った。
我々は,HumanEval+ベンチマークとMBPP+ベンチマークを用いて,11個のオープンソースモデル(1Bから34Bパラメータ)にまたがる6つの顕著なプロンプト戦略を評価した。
以上の結果から,より単純なプロンプト技術であるChain-of-Thoughtは,推理能力とエネルギー効率のほぼ最適バランスを実現できることが示唆された。
論文 参考訳（メタデータ） (2026-04-03T06:37:51Z) - EcoThink: A Green Adaptive Inference Framework for Sustainable and Accessible Agents [0.14323566945483493]
EcoThinkは、高性能AIインテリジェンスと環境責任を調整します。
統計的に有意な性能損失を伴わずに、推論エネルギーを平均で40.4%削減する。
アルゴリズム廃棄物を緩和することにより、EcoThinkは持続可能な、包括的でエネルギー効率の良い生成AIエージェントへのスケーラブルなパスを提供する。
論文 参考訳（メタデータ） (2026-03-26T14:37:46Z) - Reinforcement Learning-Based Energy-Aware Coverage Path Planning for Precision Agriculture [6.218614094739671]
本稿では,SAC(Soft Actor-Critic)強化学習に基づくエネルギー対応CPPフレームワークを提案する。
エネルギー制限下での堅牢で適応的な意思決定を可能にするため、このフレームワークは空間的特徴抽出のためにCNN(Conal Neural Networks)を統合している。
専用報酬関数は、カバレッジ効率、エネルギー消費、ベース間のリターン制約を共同で最適化するように設計されている。
論文 参考訳（メタデータ） (2026-01-23T02:33:14Z) - AutoForge: Automated Environment Synthesis for Agentic Reinforcement Learning [71.4322853508083]
シミュレーション環境における強化学習の実施は、言語ベースのエージェントを強化するためのコスト効率が高く、スケーラブルな方法を提供する。
これまでの作業は、半自動化された環境合成や、十分な困難を欠いたタスクに限られており、幅や深さがほとんどない。
本稿では,高難易度かつ容易に検証可能なタスクに関連付けられたシミュレーション環境の,自動化されたスケーラブルな合成のための統一パイプラインを提案する。
論文 参考訳（メタデータ） (2025-12-28T09:43:11Z) - Lightweight Autoencoder-Isolation Forest Anomaly Detection for Green IoT Edge Gateways [5.113469590433218]
従来の異常検出方式は、計算効率と環境への影響を見越しながら精度を優先することが多い。
本稿では,表現学習と異常スコアリングを統合した,持続可能なハイブリッド型異常検出フレームワークであるtextitEcoDefenderについて述べる。
現実的なIoTトラフィックの実験では、これらの理論的洞察を確認し、AEのみのベースラインと比較して平均CPU使用率22%、27msの推論レイテンシ、30%のエネルギー消費で、最大94%の検出精度を達成した。
論文 参考訳（メタデータ） (2025-11-23T00:48:34Z) - EcoSpa: Efficient Transformer Training with Coupled Sparsity [79.5008521101473]
トランスフォーマーは現代のAIのバックボーンとなっているが、その高い計算要求は重要なシステム課題を引き起こしている。
EcoSpaは、結合した重み行列対を共同で評価し、スパース化する効率的な構造的スパース訓練法である。
論文 参考訳（メタデータ） (2025-11-09T11:23:43Z) - Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。
ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。
このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
論文 参考訳（メタデータ） (2025-04-08T14:00:08Z) - 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) - Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。
Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。
レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
論文 参考訳（メタデータ） (2023-07-19T01:05:33Z) - 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)
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。