Green AI techniques for reducing energy consumption in AI systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This systematic review synthesizes current evidence on energy-reduction techniques across algorithmic, hardware, and infrastructure layers of AI systems. Model compression and knowledge distillation (e.g., DistilBERT) deliver ∼60% faster inference with ∼40% fewer parameters while retaining ∼97% of baseline performance. Low-precision computation (quantization) yields up to ∼50% energy reductions, and architecture-level strategies—such as neural architecture search and depthwise-separable convolutions in MobileNetV2—significantly lower compute and memory demand. Specialized accelerators (TPUs) and neuromorphic hardware further improve efficiency, while data-center measures (advanced cooling, virtualization, renewable integration) reduce system-level consumption. For generative-AI workloads, distillation, quantization, efficient architectures, and accelerator-optimized inference remain the primary pathways to lowering both training and inference energy. Across studies, recurring gaps include inconsistent energy-metric reporting, limited standardized benchmarks, and a dominant focus on accuracy over efficiency. Regulatory progress is uneven: the EU has introduced stronger transparency requirements, whereas comparable obligations are not yet global. Review limitations include heterogeneous methodologies and incomplete transparency artifacts, which restrict cross-study comparability. Future research directions include algorithm–hardware co-design, neuromorphic methods, energy-harvesting AI devices, improved data-center operations, and explainable-AI tools to support reliable, energy-aware deployment at scale.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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