Energy-Aware Deep Neural Architecture Search for Carbon-Efficient AI on Resource-Constrained Devices
Notice bibliographique
Résumé
Deep learning models are being quickly put on edge and Internet of Things (IoT) devices, which have made people, worry about how much energy they use and how much carbon they release. When it comes to traditional deep neural architecture search (NAS), the main goals are to make things more accurate and faster. This article is about an Energy-Aware Deep Neural Architecture Search (EANAS) system that can help you construct deep learning models that use less energy and work better on devices with restricted resources. The proposed approach employs multiobjective optimization, simultaneously considering accuracy, latency, energy consumption, and carbon efficiency. The system makes sure that edge GPUs, ARM CPUs, and microcontrollers can all work together by putting in place hardware-aware limits. The search space offers several levels, operators, and quantization methods so that you can discover the ideal balance between speed and energy savings. To make sure the system works, tests are run on a variety of benchmarks, such as speech processing, picture recognition, and sensor-based datasets. The suggested EA-NAS models are used on real-life mobile and IoT systems, showing big energy savings in cases with ongoing inference. The framework constantly lowers energy use while keeping competitive performance, as shown by the experiments. This makes it a great choice for real-time, low-power apps.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».