朝着 6G 及以后的网络人工智能零碳排放目标迈进
通过结合人工智能和物联网,人工智能物联网(AIoT)已经在许多领域引起革命。本文旨在探讨生成式人工智能(GAI)降低 AIoT 碳排放的潜力,并提出了一种新颖的 GAI 解决方案用于低碳 AIoT。我们首先研究引起 AIoT 碳排放的主要影响,然后介绍 GAI 技术及其与碳排放之间的关系。接下来,我们探索了 GAI 在低碳 AIoT 中的应用前景,重点讨论了 GAI 如何减少网络组件的碳排放。随后,我们提出了一个基于大型语言模型(LLM)的碳排放优化框架,框架中设计可插拔的 LLM 和检索增强生成(RAG)模块,以生成更准确可靠的优化问题。此外,我们利用生成扩散模型(GDM)识别碳排放减少的最佳策略。模拟结果证明了该框架的有效性。最后,我们提供低碳 AIoT 的未来研究方向。
Apr, 2024
电力电网向碳中和转变是解决气候变化最大的游戏规则之一,人工智能在技术、市场和政策等三个层面上进行定制化可以提高电能系统向碳中和的转变速度和规模。
Nov, 2022
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
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
本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术,为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案,并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。
Nov, 2021
研究如何实现有限碳排放的碳感知机器学习任务卸载和碳排放权购买,提出基于 Lyapunov 优化技术的在线算法,结合资源限制随机依赖舍入算法,以实现绿色边缘 AI。
Apr, 2023
这篇文章提出了一种基于人工智能的 6G 网络智能架构,用于实现知识发现、智能资源管理、自动网络调整和智能服务提供。作者还回顾和讨论了 AI 技术在 6G 网络中的应用,并详细阐述了如何利用 AI 技术有效地优化网络性能,包括 AI 支持的移动边缘计算、智能移动和切换管理以及智能频谱管理。另外,作者强调了重要的未来研究方向和 AI-enabled 6G 网络的潜在解决方案,包括算法鲁棒性、计算效率、硬件开发和能源管理等。
Dec, 2019
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