AI로 인해 증가하는 탄소 배출량을 줄이는 방법

기계 학습 실험이 더욱 복잡해짐에 따라 탄소 발자국도 늘어나고 있습니다. 이제 연구자들은 다양한 위치에 있는 클라우드 컴퓨팅 데이터 센터에서 일련의 모델을 훈련하는 데 드는 탄소 비용을 계산했습니다. 그들의 발견은 연구자들이 인공 지능(AI)에 의존하는 작업에서 배출을 줄이는 데 도움이 될 수 있습니다.

연구팀은 지리적 위치에 따라 배출량에 상당한 차이가 있음을 발견했습니다. 워싱턴 주 시애틀에 있는 Allen Institute for AI의 기계 학습 연구원이자 연구의 공동 책임자인 Jesse Dodge는 동일한 AI 실험에서 "가장 효율적인 영역은 가장 효율적인 영역의 약 1/3의 배출량을 생성했습니다."라고 말했습니다. 지역.”

펜실베이니아주 피츠버그에 위치한 카네기 멜론 대학교의 기계 학습 연구원이자 AI for Climate Change 그룹의 공동 창립자인 프리야 돈티(Priya Donti)는 지금까지 배출되는 배출량을 측정할 수 있는 좋은 도구가 없었다고 말합니다. 클라우드 기반 AI로

“이것은 배출을 줄이기 위해 기계 학습 작업 부하를 관리하는 방법에 대한 중요한 대화를 시작하는 데 도움이 되는 훌륭한 작업입니다.”라고 그녀는 말했습니다.

위치가 중요합니다

Dodge와 Microsoft 연구원을 포함한 그의 협력자들은 Google 번역을 지원하는 언어 모델부터 이미지에 자동으로 레이블을 지정하는 비전 알고리즘에 이르기까지 11가지 일반적인 AI 모델을 훈련하면서 전력 소비를 모니터링했습니다. 그들은 이 데이터를 16개의 Microsoft Azure 클라우드 컴퓨팅 서버에 전력을 공급하는 그리드의 배출량이 시간에 따라 어떻게 변화하는지에 대한 추정치를 결합하여 다양한 위치에서 훈련 에너지 소비를 계산했습니다.

글로벌 전력 공급의 변화와 수요의 변동으로 인해 다양한 위치에 있는 시설의 탄소 배출량이 다릅니다. 팀은 일반적인 기계 학습 언어 모델인 BERT를 중앙 아메리카나 독일의 데이터 센터에서 훈련하면 연중 시기에 따라 22~28kg의 이산화탄소가 배출된다는 사실을 발견했습니다. 이는 대부분의 전기를 수력 발전에서 얻는 반면, 프랑스는 주로 원자력에 의존하는 노르웨이의 동일한 실험에서 발생한 배출량의 두 배 이상입니다.

매일 실험을 하면서 보내는 시간도 중요합니다. 예를 들어, Dodge는 주의 전력이 수력 발전에서 나오는 워싱턴에서 밤에 AI를 훈련시키는 것이 주간 전력도 주유소에서 나오는 낮 동안 AI를 훈련시키는 것보다 배출량이 더 적을 것이라고 말했습니다. 그는 지난달 서울에서 열린 공정성, 책임성, 투명성을 위한 컴퓨팅 기계 협회 컨퍼런스에서 결과를 발표했습니다.

AI 모델의 배출량도 크게 다릅니다. 이미지 분류기 DenseNet은 캘리포니아 샌프란시스코에서 Transformer(연구 회사 OpenAI가 만든 대중적인 언어 모델 GPT-3보다 훨씬 작음)라는 중간 크기의 언어 모델을 훈련시키면서 휴대폰을 충전하는 것과 동일한 CO2 배출량을 생성합니다. 일반적인 미국 가정이 1년에 배출하는 것과 동일한 양의 탄소를 배출합니다. 또한 팀은 Transformer 훈련 과정의 13%만을 겪었습니다. 완전히 훈련하면 "석탄으로 가득 찬 철도 차량 전체를 태울 정도의 크기"가 배출될 것이라고 Dodge는 말했습니다.

그는 데이터 센터 오버헤드에 사용되는 전기나 필요한 하드웨어를 만드는 데 사용되는 배출량과 같은 요소가 포함되지 않기 때문에 배출량 수치도 과소평가되었다고 덧붙였습니다. 이상적으로는 주어진 시간에 그리드 방출의 상당한 잠재적 불확실성을 설명하기 위해 숫자에 오류 막대도 포함되어야 한다고 Donti는 말했습니다.

친환경 선택

다른 모든 요소가 동일하다면 Dodge는 이 연구가 과학자들이 배출을 최소화하는 실험을 위한 데이터 센터를 선택하는 데 도움이 되기를 바랍니다. "이번 결정은 이 분야에서 할 수 있는 가장 영향력 있는 일 중 하나로 드러났습니다."라고 그는 말했습니다. 이 작업의 결과로 Microsoft는 이제 Azure 서비스를 사용하는 연구자들에게 하드웨어의 전력 소비에 대한 정보를 제공하고 있습니다.

영국 브리스톨 대학교에서 디지털 기술이 환경 지속 가능성에 미치는 영향을 연구하는 크리스 프리스트는 배출량 감소에 대한 책임은 연구자가 아닌 클라우드 제공자에게 있어야 한다고 말했습니다. 공급업체는 언제든지 탄소 집약도가 가장 낮은 데이터 센터가 가장 많이 사용되도록 보장할 수 있다고 그는 말했습니다. 또한 배출량이 줄어들면 기계 학습 실행을 시작하고 중지할 수 있는 유연한 정책을 사용할 수 있다고 Donti는 덧붙였습니다.

Dodge는 대규모 실험을 수행하는 기술 회사가 배출량에 대한 투명성과 배출량 최소화 또는 상쇄에 대한 가장 큰 책임을 져야 한다고 말했습니다. 그는 머신러닝이 항상 환경에 해로운 것은 아니라고 지적했습니다. 효율적인 재료를 설계하고, 기후를 시뮬레이션하고, 삼림 벌채와 멸종 위기에 처한 종을 추적하는 데 도움이 될 수 있습니다. 그럼에도 불구하고 AI의 증가하는 탄소 발자국은 일부 과학자들 사이에서 우려의 주요 원인이 되고 있습니다. Dodge는 일부 연구 그룹이 탄소 배출량을 추적하기 위해 노력하고 있지만 투명성은 "아직 지역 사회 표준으로 발전하지 못했다"고 말했습니다.

“이 노력의 요점은 현재로서는 매우 부족하기 때문에 이 주제에 투명성을 부여하려고 노력하는 것입니다.”라고 그는 말했습니다.

참고자료:

1. Dodge, J. et al. https://arxiv.org/abs/2206.05229(2022).

위 내용은 AI로 인해 증가하는 탄소 배출량을 줄이는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!