数据中心绿色人工智能：一项探索性实证研究
提出一种基于进化的采样框架，旨在识别适用于数据集和模型配对的精英训练样本，比较模型性能和能效增益，调查该框架对促进可持续模型训练实践的可行性。经实验验证，考虑到 10% 的精英训练样本，模型性能可以提升 50%，能源节约达 98%。
Feb, 2024
本文探究了人工智能资源感知和可持续性的问题，强调评估和报告能源效率取舍的重要性，研究发现不同的数据集都有自己的效率取舍，方法可以更或 weniger 地表现得高效。
Apr, 2023
通过对 98 个文献的分析，系统地回顾了绿色人工智能研究领域。大多数研究关注于 AI 模型的环境可持续性，包括监控 AI 模型的排放量、调整超参数以提高模型的可持续性，或者对模型进行基准测试。实验室实验是最常见的研究策略。报告的节能率高达 115％，其中节能 50％以上相当普遍。
Jan, 2023
本文综述了数据驱动人工智能的必要性，以及针对训练数据开发、推理数据开发和数据维护三个方面的代表性方法，同时讨论了该领域的挑战和各种任务的基准，并提供了一份数据驱动人工智能资源列表。
Mar, 2023
人工智能（AI）技术已成为众多行业的关键驱动力，包括消费电子、医疗保健和制造业，主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络（DNN）的应用，其需要大量的训练数据和大量的计算资源进行处理。然而，由于与云通信相关的潜在延迟问题，深度学习（DL）工作流越来越多地过渡到靠近终端用户设备（EUDs）的无线边缘网络上。这种转变旨在支持对延迟敏感的应用，并催生了边缘 AI 的新范式，这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力，但边缘 AI 面临重大挑战，主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续，这需要对边缘 AI 采取注重能源的方法。因此，本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分，以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下，我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法，包括训练数据获取、边缘训练和边缘推理。最后，我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。
Dec, 2023
通过减少模型数量或改进集成推断时的模型使用效率，本研究提出并评估了两种模型选择策略 —— 静态和动态，以在最小化能量使用的同时优化集成学习系统性能，平衡模型的准确性与能源消耗之间的挑战，结果显示静态策略将 F1 得分从基准线提高，并将平均能量使用从 100％降低到 62％，动态策略更进一步提升了 F1 得分，并使用平均 76％的能量，与完整集合相比为 100％，同时提出了一种资源消耗与准确性平衡的方法，大幅减少能量使用而不太影响准确性，静态策略的平均能量使用率从约 62％降低到 14％，动态策略从约 76％降低到 57％，实地研究结果表明在实际生产环境中采用注重能源的模型选择策略在 Green AI 方面具有实际应用性。
May, 2024
应对气候变化是可持续发展和应对气候变化的 AI 技术的一个重要方向，研究中提出了 DeepEn2023 的大规模能源数据集，以测量、分析和优化边缘 AI 系统和应用的环境可持续性。
Nov, 2023
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
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