[論文レビュー] Energy Usage Reports: Environmental awareness as part of algorithmic accountability

Kadan Lottick, Silvia Susai+2 more|arXiv (Cornell University)|Nov 19, 2019

Green IT and Sustainability参考文献 7被引用数 46

ひとこと要約

与えられた関数のエネルギー使用量とCO2排出量を計算・報告する Python パッケージ energyusage を紹介し、結果をエネルギー系統の混合と人間のベンチマークで文脈づけ、アルゴリズムの説明責任を支援します。

ABSTRACT

The carbon footprint of algorithms must be measured and transparently reported so computer scientists can take an honest and active role in environmental sustainability. In this paper, we take analyses usually applied at the industrial level and make them accessible for individual computer science researchers with an easy-to-use Python package. Localizing to the energy mixture of the electrical power grid, we make the conversion from energy usage to CO2 emissions, in addition to contextualizing these results with more human-understandable benchmarks such as automobile miles driven. We also include comparisons with energy mixtures employed in electrical grids around the world. We propose including these automatically-generated Energy Usage Reports as part of standard algorithmic accountability practices, and demonstrate the use of these reports as part of model-choice in a machine learning context.

研究の動機と目的

• アルゴリズムの炭素足跡を測定・報告することを動機づけ、CS 研究における環境持続性を促進する。
• コードのエネルギー使用量を場所別のエネルギーミックスデータを用いて CO2 排出量に自動的に変換するアクセス可能な方法を提供する。
• 排出量を人間が理解できるベンチマーク（例: 運転距離、TV 分ごとなど）で文脈づけ、解釈を支援する。
• 異なるエネルギー系統間で比較を可能にし、エネルギーを意識したモデル選択と設計を促進する。

提案手法

• RAPL インターフェースを介して関数の実行からエネルギー使用を計算し、グリッドのエネルギーミックスデータを補足して CO2 排出量を推定する Python パッケージ energyusage を開発する。
• エネルギー使用を CO2 排出量に変換するために、州レベルの eGRID データから燃料源の排出強度を逆推定し、これを国際エネルギーミックスに適用する。
• IP による場所検出を提供し、国/州のエネルギーミックスデータを選択する。場所が特定できない場合はデフォルトの世界平均を提供する。
• 読み取り値、エネルギーミックス、CO2 排出量の同等物、日常活動との排出量比較を含む Energy Usage Report を出力する。
• パッケージの測定値を Kill-a-Watt デバイスの読み取りと関数の複雑さ（線形、二次、指数）を横断して比較することでアプローチを検証する。
• ML への適用を示すため、さまざまなモデルと設定におけるエネルギー対精度を分析する。

実験結果

リサーチクエスチョン

• RQ1 アルゴリズムのローカルな電力消費をグリッド燃料ミックスの変動を考慮して CO2 排出量に正確に翻訳するにはどうすればよいか。
• RQ2 エネルギー使用量と排出量の報告は機械学習タスクにおけるモデル選択やアーキテクチャの決定を変えるか。
• RQ3 自動ツールが非専門家にも環境影響を伝える解釈可能なベンチマークを提供できるか。
• RQ4 さまざまなアルゴリズムと設定におけるエネルギー使用とモデル性能の関係はどうなるか。

主な発見

• energyusage パッケージのエネルギー使用量の測定値は、電力損失を考慮した後に Kill-a-Watt 測定値と一致する（効率は約0.8）。
• エネルギー使用量は従来の ML 指標とは異なるトレードオフであり、エネルギーが多いからといってモデルの精度が必ずしも向上するわけではない。
• いくつかのアルゴリズム（例: kNN）はエネルギー使用量が低く、精度が変動することを示し、低エネルギーモデルの選択の可能性を浮き彫りにしている。
• ML 実験はアーキテクチャの選択が精度とは独立してエネルギー消費に影響を与える可能性を示し、エネルギーを意識した設計の検討を強調している。
• このツールは異なるエネルギー系統間での排出量の比較を可能にし、同じ計算に対する系統ミックスが CO2 フットプリントに与える影響を示している。