- 基于区间值模糊软集能量的决策算法
我们的工作继续探讨了区间值模糊软集的特性,该特性是通过组合区间值模糊集和软集得到的。我们引入了区间值模糊软集的能量概念,以及悲观和乐观能量,从而构建了一个有效的决策算法。通过例子,本文展示了该算法如何成功应用于涉及不确定性的问题。此外,我们 - 游戏理论深度强化学习在地理分布式数据中心中最小化 AI 推断工作负载的碳排放和能源成本
通过结合博弈论和深度强化学习的方法,本研究在地理分布的数据中心中优化 AI 推理工作负载的分配,以降低碳排放和云服务成本,同时保持性能。实验证明,该策略在减少碳排放和云服务成本方面优于现有技术,并且不会损害计算性能。这对处理不同地理位置的 - DOEPatch: 动态优化的集成模型用于生成对抗图像贴片
通过将能量引入到对抗补丁生成过程中,本文介绍了如何最小化 “人” 类别的总能量,以生成针对多个目标模型输出的对抗补丁。通过采用对抗训练,将动态优化的集成模型构建为在生成的对抗补丁能够有效攻击所有目标模型的平衡点上调整被攻击目标模型的权重参数 - 在线转换与切换成本:鲁棒和学习增强算法
介绍并研究了涉及能源和可持续发展领域的新兴问题的在线转换与切换成本,通过引入在线玩家尝试在固定时间范围内购买(或销售)资产的问题,我们提出了基于阈值的竞争(鲁棒)算法来优化解决该问题,同时还提出了利用不可信黑盒建议(例如机器学习模型的预测) - 高性能计算系统和应用的能源问题
能源、智能设备、人工智能、嵌入式计算和超级计算是该研究论文中的关键词,并从硬件和软件的角度描述了计算活动中与能源相关的问题。
- 能源时间序列分析与预测的深度学习
本文旨在介绍各种深度学习方法以提高能源时间序列预测性能,特别强调希腊能源市场的应用。
- 通过竞争性可塑性降低学习的能量成本
通过对前馈神经网络的学习能量建模,我们提出了两种可降低神经可塑性带来的代谢能耗的算法,限制神经可塑性能够显著地节省能量,并可能有助于更好地理解生物可塑性和人工学习匹配。
- 未来能源与碳中和的强化学习挑战设计
本研究探讨了随着气候变化对能源生产和消费管理的需求的增加,如何利用深度增强学习算法管理未来的法国电力网络,促进使电力运输网络更好地平衡生产和消费、最小化能量损失以及尽可能地确保人员和设备安全,旨在达到 2030 年法国碳排放净零的目标。
- 可再生电力实现的可持续性 (SuRE) 朝向零排放
为了实现零排放目标,本文提出了一种可扩展的基于人工智能的解决方案,可帮助组织提高可再生电力在总能源消耗中所占比例,通过提供准确的能源需求预测、可再生电力采购建议以优化成本以及碳抵消建议来弥补温室气体排放。该解决方案已在四个设施中使用超过一年 - HardCoRe-NAS: 硬约束可微分神经架构搜索
通过引入 HardCoRe-NAS 方法,我们精确地满足了各种资源约束,并在不需要任何调整的情况下生成了具有 state-of-the-art 性能的架构。
- ICLR用于量化鲁棒性的梯度 L1 正则化
本文研究了神经网络中权重和激活量化的影响,提出了一种简单的正则化方案来提高其对培训后量化的适应性。通过训练量化 - ready 的网络,我们的方法可以存储一组可按需量化为不同位宽的权重。我们将量化建模为有界扰动,并使用梯度的 L1 范数来对 - 机器学习的能源和碳足迹的系统化报告
通过引入一种功能框架,我们可以实现实时跟踪机器学习的能源消耗和碳排放,并生成标准化的在线附录。利用此框架,我们创建了一个能源高效强化学习算法排行榜,以激励负责任的研究,并提出了减少碳排放和节约能源的策略,以推动机器学习领域的可持续发展。
- 鉴别恒星核心崩溃超新星引力波信号
本研究研究了 8 个三维核心坍缩超新星模拟的引力波信号,表明该信号以前中子星的 $f$- 和 $g$- 模式震荡为主,并且其频率演化编码了后者的收缩速率,而后者又已知取决于星的质量、方程态以及在暖的核物质中的输运特性。信号中的低频部分与静止 - SCALE-Sim: 系统并行卷积神经网络加速器模拟器
本研究介绍了一种基于可配置的 Systolic 数组的 DNN 加速器模拟器 ——SCALE-Sim,并使用其对视觉、语音、文本和游戏等领域的深度学习内核进行了一系列案例研究,证明了带宽、数据流和纵横比对整体运行时间和能耗的影响,为架构师和 - MM移动云系统中的多用户多任务卸载和资源分配
此研究探讨了一个多用户移动云计算系统中的任务离线决策、资源分配等问题,并且通过提出有效算法使用计算接入点 (CAP) 来优化整个系统的能量、计算和时延成本,从而带来了相当的成本效益。
- 高维空间高斯场的临界点统计
本论文研究了高维空间中高斯场的关键点数量与其能量和指数的相关性,揭示关键点的组织结构,对玻璃和无序系统以及基于人类探索弦理论中的景观场景具有重要影响。