Nov, 2019

能源使用报告：算法问责的一部分的环境意识

PDF
TL;DR应对算法的碳足迹是电脑科学家在环境可持续性方面起到积极和诚实作用的关键，本研究通过易于使用的 Python 程序包实现了从能源使用到二氧化碳排放的转换，并将计算结果与人类可理解的基准（如汽车行驶英里）联系起来，并提出将这些自动化能源使用报告作为算法问责实践的一部分。与电网中的能量混合物进行比较，展示其用于机器学习背景下的模型选择。
carbon footprintalgorithmsenvironmental sustainabilityenergy mixturesmachine learning
发现论文，激发创造
  • 机器学习的能源和碳足迹的系统化报告

    通过引入一种功能框架，我们可以实现实时跟踪机器学习的能源消耗和碳排放，并生成标准化的在线附录。利用此框架，我们创建了一个能源高效强化学习算法排行榜，以激励负责任的研究，并提出了减少碳排放和节约能源的策略，以推动机器学习领域的可持续发展。

    Jan, 2020

  • 绿色算法：量化计算的碳足迹

    该研究提出了一种方法学框架和绿色算法工具，以评估任何计算任务的碳足迹，并定义了评估温室气体排放的度量标准，并量化了粒子物理模拟、天气预报和自然语言处理算法的温室气体排放。

    Jul, 2020

  • 追寻碳足迹：计算的难以捉摸的环境影响

    本文针对计算机在环境方面日益增长的影响进行了研究，通过分析算法、软件和硬件创新的变革，量化了计算机在硬件制造和基础设施方面的碳排放。结果表明，现代移动设备和数据中心设备的大部分排放来自硬件制造和基础设施，因此提出了最小化计算机系统环境影响的未来方向。

    Oct, 2020

  • Eco2AI: 机器学习模型碳排放跟踪 —— 可持续人工智能的第一步

    该论文介绍了一个名为 eco2AI 的开源工具，可以帮助科学家跟踪深度神经网络模型训练和推理的能量消耗和等效二氧化碳排放，并鼓励研究社区寻找具有较低计算成本的新型人工智能（AI）架构，并建立可持续 AI 和绿色 AI 的路径。

    Jul, 2022

  • 如何估计深度学习模型训练的碳足迹？指南与综述

    介绍了针对机器学习模型训练期间能源消耗量的多种在线和软件工具，并对这些工具的特定词汇、技术要求进行了评估和比较，并提供了一些建议。

    Jun, 2023

  • 测量云计算实例中人工智能的碳排放强度

    该研究提供了一种衡量计算机模型碳排放的框架，并提出了在云计算平台上采取不同策略以减少碳排放的方法，为机器学习实践者提供了减少环境影响的建议。

    Jun, 2022

  • 碳排放和大型神经网络训练

    通过计算 T5，Meena，GShard，Switch Transformer 和 GPT-3 等几种大型模型的能源使用和碳足迹，我们发现大而稀疏的深度神经网络可以比大而密集的深度神经网络使用更少的能量，并且具有可接受的准确性。在由于地理位置和专用数据中心基础架构带来的差异方面，对机器学习的能源效率进行度量是具有挑战性的，但我们相信通过明确计算能源消耗和碳足迹，并与开发人员合作，将能源使用作为关键指标来评估模型，可以帮助减少机器学习的碳足迹。

    Apr, 2021

  • ML 训练与推断中的能耗实证研究

    本研究旨在通过研究绿色机器学习，考察不同模型架构和超参数在训练和推理阶段中的能效实践，以提供可持续的机器学习操作的实用指南，强调降低能耗和碳足迹同时保持性能。

    Jun, 2024

  • 机器学习的碳排放量量化

    本文提出了一个机器学习排放计算器工具，并阐述了影响神经网络训练中所产生的碳排放量的重要因素有哪些，以及个人从业者和组织可以采取的具体行动来减少排放。

    Oct, 2019

  • 低碳计算机视觉的全周期能耗基准

    本文提出了一种新的度量标准来衡量高效计算机视觉模型在不同应用场景下的全周期能耗，以提供在选择高效深度学习算法时降低碳排放的参考。

    Aug, 2021