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
AI 的碳排放问题及效率优化的机会和可持续性
Jun, 2024
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
利用多主体强化学习(MARL)框架,提出了一种数据中心碳足迹减少(DC-CFR)的方法,该方法在实时环境下,通过优化冷却、负载转移和能量存储,有效地解决了能源效率和碳排放减少等复杂目标之间的相互依赖关系。
Mar, 2024
本研究首次量化数据中心减碳的碳强度预测不确定性,并分析了时间和空间这两种不确定性类型及其对系统的影响。通过引入基于一致预测的框架,我们解决了碳强度预测中与时间动态相关的不确定性问题。评估结果表明,我们的技术在各种显著性水平上稳健地实现了目标覆盖率的不确定性量化。我们通过两个案例研究使用产生的能量数据,分别关注时间和空间的负荷转移。结果显示,将不确定性纳入调度决策可以分别防止碳排放量增加 5% 和 14%,这转化为在一个 20 兆瓦的数据中心群组中,绝对减少了 2.1 和 10.4 吨的碳排放量。
Jul, 2024
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
这篇论文介绍了 PyDCM,它是一个 Python 库,可用于快速构建数据中心的设计和应用强化学习控制,以评估关键的可持续发展指标,包括碳足迹、能源消耗和温度热点等。同时对比了现有 EnergyPlus 对数据中心建模的方法。
Apr, 2024
为了解决数据中心的能源消耗和环境影响,文章使用深度强化学习算法 (RARE) 设计了可适应可再生能源的任务调度策略,并证明了该方法相对传统启发式调度策略的性能更佳,同时还可以从离线学习中不断提高。
Nov, 2022
提出了一种名为 Full Scaling Automation (FSA) 的机制,该机制利用深度表征学习来动态适应大型云计算集群中的工作负载,实现数据中心集群保持所需的 CPU 利用率目标的同时提高能源效率,并且在 2022 年 “双 11” 购物节期间,使用 FSA 机制成功减少了 947 吨二氧化碳的排放,实现了我公司 2030 年碳中和的战略目标。
May, 2023
本研究提出了一个名为 SHIELD 的混合工作负载管理框架,利用机器学习引导的局部搜索和基于分解的进化算法来共同优化地理分布数据中心的碳排放、水足迹和能源成本,实现了 34.4 倍的加速比、2.1 倍的帕累托超体积改进,并将碳足迹最多减少 3.7 倍、水足迹最多减少 1.8 倍、能源成本最多减少 1.3 倍,与现有技术相比,所有目标(碳、水、成本)的累积改进最多可达到 4.8 倍。
Aug, 2023