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
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。
Nov, 2019
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
通过将深度学习的效率作为评估标准之一,并建议报告开发、训练和运行模型的财务成本,以提供研究越来越高效方法的基准,本文旨在使人工智能更加绿色和包容,实现任何有灵感的本科生都可以编写高质量的研究论文。
Jul, 2019
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
计算机可持续性问题及碳计算、可再生能源与硬件设计的相关研究。
May, 2024
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
人工智能在技术和研究方面取得了显著的进展,并广泛应用于计算视觉、自然语言处理、时间序列分析、语音合成等多个领域。然而,随着大型语言模型的出现,研究人员的注意力主要集中在追求最新的技术成果,导致模型规模和计算复杂性不断增加,需要更高的计算能力,进而产生更高的碳排放量,阻碍了资金有限的中小型研究机构和公司参与研究,并引发研究公平性的问题。为应对计算资源和人工智能的环境影响,绿色计算已成为一个热门的研究课题。在本调研中,我们对绿色计算中使用的技术进行了系统概述,并提出绿色计算的框架,将其分为四个关键组成部分:(1) 绿色度量指标,(2) 能效人工智能,(3) 能效计算系统和 (4) 可持续发展的人工智能应用案例。针对每个组成部分,我们讨论了研究进展及常用的优化技术,结论表明这个新的研究方向有潜力解决资源限制与人工智能发展之间的冲突。我们鼓励更多的研究人员关注这个方向,使人工智能更加环保友好。
Nov, 2023
通过采用四种最佳实践方法能将机器学习的培训能源降低 100 倍及 CO2 排放量降低 1000 倍。如果整个机器学习领域采用最佳实践,将会减少训练的碳排放量。因此,我们建议机器学习论文中应当明确列出碳排放数据以促进关于模型质量以外的更广泛的竞争。
Apr, 2022
通过训练机器学习模型进行温室气体排放的估算可以帮助投资者符合环保法规措施和实现净零排放的目标。
Sep, 2021