Jul, 2022

Eco2AI: 机器学习模型碳排放跟踪 —— 可持续人工智能的第一步

PDF
TL;DR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。
deep neural networksenergy consumptionco2 emissionsai architecturessustainable ai
发现论文，激发创造
  • 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

  • 绿色人工智能

    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

  • 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

  • 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

  • 超越效率：可持续扩展人工智能

    AI 的碳排放问题及效率优化的机会和可持续性

    Jun, 2024

  • 绿色人工智能：探索大型语言模型训练中的碳足迹、减缓策略和权衡

    该研究评估了大规模语言模型的二氧化碳排放，并提出减少碳排放的措施，探讨了硬件选择对二氧化碳排放的影响。基于结果，提出了培训更环境友好的人工智能模型的可能性，并认为可以在不牺牲其鲁棒性和性能的情况下实现。

    Apr, 2024

  • DeepEn2023：边缘人工智能的能源数据集

    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

  • 碳排放强度感知的 DNN 自适应推理

    我们提出了一种启发式算法，通过在低强度时期使用更大、更高精度的模型，在高强度时期使用更小、更低精度的模型，从而使 DNN 推理更加可持续，减少能源消耗和碳足迹。我们还引入了一个指标，即碳排放效率，以量化自适应模型选择在碳足迹方面的有效性。评估结果显示，所提出的方法可以将视觉识别服务的准确性在碳排放效率方面提高 80%。

    Mar, 2024

  • Carbontracker: 跟踪和预测深度学习模型的碳足迹

    本文介绍了 Carbontracker 工具，它可以跟踪和预测深度学习模型的能源和碳足迹，并提出报道模型开发和训练的能源和碳足迹，以促进机器学习的负责任计算和鼓励深层神经网络的能源效率研究。

    Jul, 2020

  • 绿色人工智能的系统性评估

    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