[論文レビュー] A Systematic Review of Green AI

Roberto Verdecchia, June Sallou+1 more|arXiv (Cornell University)|Jan 26, 2023

Green IT and Sustainability被引用数 35

ひとこと要約

この論文はGreen AIの系統的文献レビューを実施し、分野の動向、手法、成熟度をマッピングするために98件の一次研究を分析します。

ABSTRACT

With the ever-growing adoption of AI-based systems, the carbon footprint of AI is no longer negligible. AI researchers and practitioners are therefore urged to hold themselves accountable for the carbon emissions of the AI models they design and use. This led in recent years to the appearance of researches tackling AI environmental sustainability, a field referred to as Green AI. Despite the rapid growth of interest in the topic, a comprehensive overview of Green AI research is to date still missing. To address this gap, in this paper, we present a systematic review of the Green AI literature. From the analysis of 98 primary studies, different patterns emerge. The topic experienced a considerable growth from 2020 onward. Most studies consider monitoring AI model footprint, tuning hyperparameters to improve model sustainability, or benchmarking models. A mix of position papers, observational studies, and solution papers are present. Most papers focus on the training phase, are algorithm-agnostic or study neural networks, and use image data. Laboratory experiments are the most common research strategy. Reported Green AI energy savings go up to 115%, with savings over 50% being rather common. Industrial parties are involved in Green AI studies, albeit most target academic readers. Green AI tool provisioning is scarce. As a conclusion, the Green AI research field results to have reached a considerable level of maturity. Therefore, from this review emerges that the time is suitable to adopt other Green AI research strategies, and port the numerous promising academic results to industrial practice.

研究の動機と目的

• グリーンAI研究の特性と成熟度を理解する。
• グリーンAIで研究される主なトピック、成果物、段階を特定する。
• グリーンAI研究の方法論、産業参加、ツール提供を評価する。

提案手法

• タイトルを対象としたクエリを用いてGoogle Scholar、Scopus、Web of Scienceを横断する自動検索。
• あらかじめ定義された包含/除外基準を適用して一次研究を選定（I1-I4; E1-E6）。
• 理論的飽和に達するための双方向スノーボールサンプリング（後方・前方）。
• 定義、研究タイプ、トピック、ドメイン、データタイプ、成果物、フェーズ、戦略、データセットサイズ、エネルギー節約、産業関与、対象読者、ツール提供の構造化フレームワークを構築するための2段階データ抽出。
• 抽出された概念を調和させるための定常/オープンコーディングを用いたデータ統合。

実験結果

リサーチクエスチョン

• RQ1 グリーンAI最先端研究の特徴は何か？（全体像と定義。）
• RQ2 グリーンAI文献を特徴づける発行動向、トピック、領域、成果物は何か。
• RQ3 グリーンAI研究における産業関与と実用的なツール提供のレベルはどの程度か。
• RQ4 グリーンAIで一般的に研究されるデータタイプ、アルゴリズム、データセットサイズは何か。

主な発見

• このレビューは98件の一次的グリーンAI研究を対象とし、2020年以降大幅な成長を示している（2020年以降に発表された論文が76%）。
• エネルギー節約は最大で115%と報告され、50％を超える節約が比較的一般的である。
• 多くの研究は訓練フェーズとニューラルネットワークに焦点を当て、画像データが最も使用されるデータタイプである。
• 産業関与は存在するが限定的で（約23%）、Green AIツールの提供は乏しい。
• 監視、ハイパーパラメータ調整、モデルベンチマーク、デプロイが支配的なトピックで、データ中心と排出関連トピックは過小評価されている。
• この分野は学術的成果を産業実践に移行するのに適した成熟した状態を示している。