MétaCan
Menu
Retour à la cohorte
Enregistrement W4323646063 · doi:10.1109/fnwf55208.2022.00137

INGR Roadmap Energy Efficiency Chapter

2022· article· en· W4323646063 sur OpenAlexaff
Brian Zahnstecher, Earl McCune, Doug Kirkpatrick, R. W. D. Booth, Kirk Bresniker, Lin Nease, Anirban Bandyopadhyay, Bruce Nordman, Francesco Carobolante, Magnus Olsson, Emil Björnson, Laurence McGarry, S. W. Allen, Paul Draxler, Frederica Darema, Mohamed‐Slim Alouini

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueAge of Information Optimization
Établissements canadiensKootenay Association for Science & Technology
Organismes subventionnairesnon disponible
Mots-clésComputer scienceEfficient energy useKey (lock)Software deploymentProcess (computing)Constraint (computer-aided design)GridRisk analysis (engineering)Environmental economicsProcess managementBusinessEngineeringComputer securitySoftware engineering

Résumé

récupéré en direct d'OpenAlex

This 2021 Edition of the IEEE International Network Generations Roadmap (INGR) contains a new Chapter dedicated to Energy Efficiency, which builds upon the initial white paper released in April 2020 [1]. For this purpose, the Energy Efficiency Working Group developed an analysis of the energy efficiency constraints across the whole ecosystem of the Fifth Generation “5G” and following network infrastructure, which can be leveraged by all stakeholders to prioritize resources allocation and technology development to ensure that both technical and economic forecasts can be met. The complexity of the ecosystem and the traditionally siloed approach within the Industry has often prevented the adoption of a holistic approach to addressing the fundamental problem of energy, which is the ultimate constraint to any complex deployment. The proposed framework facilitates an assessment of bottlenecks and their implication on the network: it may be used by both academic and industry stakeholders to develop solutions that address the real issues and enable a healthy ecosystem. After a comprehensive survey of the ecosystem and its challenges, the following key areas were selected for a more in-depth analysis: •Network Efficiency •Small Cell Migration •Base Station Power •Economic Factors •Grid/Utility This Chapter also identifies the need for a comprehensive “Systems-of-Systems” (SoS) analysis to address the complex inter-relations among the multiple layers, which the infrastructure leverages. An initial proposal describes how a model can be built to enable a comprehensive assessment of energy requirements across such a diverse ecosystem. A future step in the process will consolidate a proposal for standardization of this model, which can be utilized by all stakeholders for both analysis and forecasting of capabilities and return on investment.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,159
Score d'incertitude au seuil0,531

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,001
Communication savante0,0060,006
Science ouverte0,0030,003
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,1590,130

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,006
Tête enseignante GPT0,183
Écart entre enseignants0,177 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAge of Information OptimizationTravaux en français237 207