Green Edge AI: A Contemporary Survey

要約

人工知能 (AI) テクノロジーは、主に過去 10 年間の大幅な復活により、多数の業界にわたって極めて重要な実現手段として台頭してきました。
AI の変革力は主にディープ ニューラル ネットワーク (DNN) の利用から得られます。DNN には、トレーニング用の広範なデータと処理用の大量の計算リソースが必要です。
したがって、DNN モデルは通常、リソースが豊富なクラウド サーバー上でトレーニングおよびデプロイされます。
ただし、クラウド通信に関連する潜在的な遅延の問題のため、ディープ ラーニング (DL) ワークフローは、エンド ユーザー デバイス (EUD) に近いワイヤレス エッジ ネットワークに移行することが増えています。
この変化は、遅延に敏感なアプリケーションをサポートするように設計されており、エッジ AI の新しいパラダイムを生み出しました。これは、ユビキタス AI アプリケーションをサポートするために、今後の第 6 世代 (6G) ネットワークで重要な役割を果たすことになります。
エッジ AI は、その大きな可能性にもかかわらず、大きな課題に直面しています。その主な原因は、ワイヤレス エッジ ネットワークのリソース制限と DL のリソース集約型の性質の間の二項対立によるものです。
具体的には、大規模なデータの取得、DNN のトレーニングおよび推論プロセスにより、EUD のバッテリー エネルギーが急速に消耗する可能性があります。
そのため、最適かつ持続可能なパフォーマンスの両方を確保するには、エッジ AI に対してエネルギーを意識したアプローチが必要になります。
この論文では、グリーンエッジ AI に関する最新の調査を紹介します。
まず、エッジ AI システムの主要なエネルギー消費コンポーネントを分析して、グリーン エッジ AI の基本的な設計原則を特定します。
これらの原則に基づいて、トレーニング データの取得、エッジ トレーニング、エッジ推論を含む、エッジ AI システムの 3 つの重要なタスクのエネルギー効率の高い設計手法を検討します。
最後に、エッジ AI のエネルギー効率をさらに向上させるための将来の研究の方向性を強調します。

要約(オリジナル)

Artificial intelligence (AI) technologies have emerged as pivotal enablers across a multitude of industries largely due to their significant resurgence over the past decade. The transformative power of AI is primarily derived from the utilization of deep neural networks (DNNs), which require extensive data for training and substantial computational resources for processing. Consequently, DNN models are typically trained and deployed on resource-rich cloud servers. However, due to potential latency issues associated with cloud communications, deep learning (DL) workflows are increasingly being transitioned to wireless edge networks in proximity to end-user devices (EUDs). This shift is designed to support latency-sensitive applications and has given rise to a new paradigm of edge AI, which will play a critical role in upcoming sixth-generation (6G) networks to support ubiquitous AI applications. Despite its considerable potential, edge AI faces substantial challenges, mostly due to the dichotomy between the resource limitations of wireless edge networks and the resource-intensive nature of DL. Specifically, the acquisition of large-scale data, as well as the training and inference processes of DNNs, can rapidly deplete the battery energy of EUDs. This necessitates an energy-conscious approach to edge AI to ensure both optimal and sustainable performance. In this paper, we present a contemporary survey on green edge AI. We commence by analyzing the principal energy consumption components of edge AI systems to identify the fundamental design principles of green edge AI. Guided by these principles, we then explore energy-efficient design methodologies for the three critical tasks in edge AI systems, including training data acquisition, edge training, and edge inference. Finally, we underscore potential future research directions to further enhance the energy efficiency of edge AI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google