Green AI techniques for reducing energy consumption in AI systems
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».