評估神經網路訓練的能耗
在研究小組內開發 阿拉科斯「GREENN」計畫逐層測量神經網路的耗電量，以促進更永續的人工智慧發展。
La 第五屆圖靈機獎 表彰了最終學位設計的卓越性 埃琳娜·巴列斯特羅斯·莫拉隆透過公司頒發的獎項 內通他還獲得了2025屆畢業典禮上的最佳學術成績獎。這項由費利克斯·奧斯卡·加西亞·魯比奧教授和瑪麗亞·岡薩雷斯·古鐵雷斯教授指導的研究，探討了當前科技面臨的挑戰之一：人工智慧對環境的影響。
| 用於評估神經網路訓練能耗的工具 項目概要（GREENN） | |
|---|---|
| 🔴 問題 | 人工智慧訓練會消耗大量的能源。據估計，到2027年，人工智慧伺服器的能源消耗將與整個阿根廷的能源消耗量相當。 |
| 🟢 解決方案 | Alarcos 集團開發的工具，可以測量、分析和比較機器學習模型的碳足跡。 |
| ⭐ 創新 | 由於其測量精度高，因此具有很高的測量精度。 層級粒度這樣，您就可以準確地看到網路中哪個部分消耗的能源最多。 |
| ⚙️ 技術 | INTEGRA 代碼碳 利用其自主研發的神經網路和 Python (MVC) 技術產生詳細的永續發展報告。 |
| 🎯 影響力 | 它允許您根據人工智慧模型的準確性以及其他因素來選擇模型。 能源責任. |
背景：人工智慧的隱藏足跡
人工智慧已經徹底改變了我們的日常生活，從網路搜尋到個人化推薦系統，無所不包。然而，這種無所不在的現像也帶來了一個看不見卻又極高的代價：能源消耗。
這些估算結果令人擔憂：預計到2027年，人工智慧伺服器的電力消耗將達到… 相當於阿根廷這樣一個國家的年消費量。在這種情況下，埃琳娜·巴列斯特羅斯的作品提出了一個至關重要的問題：
如何在不犧牲這些模型有效性的前提下，減少對環境的影響？
解：'GREENN'，層級精度
為了應對這項挑戰，以下事物應運而生。 格林GREENN 是一款創新工具，旨在評估神經網路訓練過程中的能耗。與市面上其他提供通用測量的工具不同，GREENN 的主要優勢在於其精細度。該工具能夠進行高度精確的能耗測量，甚至可以細化到神經網路的層級。
為實現這一目標，該專案實施了一個強大的架構，該架構整合了：
- 客製化神經網路 這樣就可以存取插入電錶的程式碼。
- CodeCarbon： 目前應用最廣泛的軟體估算器，整合了實驗持續時間和每個硬體組件消耗的能源等指標。
- 網路技術： 主要採用 Python 語言，基於視圖-控制器模型開發，確保程式碼的可維護性和可擴展性。
永續機器學習的控制面板
GREENN 不僅僅是一個測量引擎；它也是一個研究人員和開發人員的綜合工具。透過其 Web 介面，使用者可以：
- 專案管理與案例研究： 配置具體的測試和訓練參數。
- 即時監控： 可視化訓練進度（週期， 批次）並在完成後收到通知。
- 比較分析： 該系統產生兩份報告。一方面，它顯示模型的品質指標（例如： 準確性 以及損失）和相關的能源成本（總計、按季節和按層）。
