แนวคิดหลัก
深層シフトニューラルネットワーク(DSNN)の性能を最大限に引き出し、同時に消費エネルギーを最小化するための、マルチフィデリティとマルチ目的の最適化手法を提案する。
บทคัดย่อ
本研究では、深層学習(DL)モデルの計算コストに伴う環境への影響を軽減するため、深層シフトニューラルネットワーク(DSNN)を活用する。DSNNは浮動小数点演算の代わりにビットシフト演算を使うことで、計算効率を大幅に向上させることができる。
本研究の主な取り組みは以下の通り:
DSNNに特化したハイパーパラメータ空間の定義
性能と消費エネルギーの両立を目指すグリーンAutoMLアプローチの提案
性能と省エネルギーのトレードオフに関する洞察の提供
マルチフィデリティとマルチ目的の最適化手法(SMAC3)の統合による最適化性能と計算リソース利用の向上
実験の結果、提案手法によりDSNNの精度を80%以上に維持しつつ、消費エネルギーを大幅に削減できることが示された。このように、効率的なモデル開発と持続可能なAIアプリケーションの実現に貢献できる。
สถิติ
DSNNの精度は83.50%、CO2排出量は0.1661 gCO2eq
DSNNの精度は84.67%、CO2排出量は0.1673 gCO2eq
คำพูด
「マルチフィデリティとマルチ目的の最適化手法を統合することで、計算リソースの効率的な利用と最適なパフォーマンス・省エネルギーのトレードオフを実現できる」
「DSNNにおけるシフト層の数とビット表現のバランスを適切に取ることが、高性能かつ省エネルギーなモデル構築に重要である」