[論文レビュー] Is TinyML Sustainable? Assessing the Environmental Impacts of Machine Learning on Microcontrollers

Shvetank Prakash, Matthew Stewart+5 more|arXiv (Cornell University)|Jan 27, 2023

Green IT and Sustainability被引用数 5

ひとこと要約

本論文は、ライフサイクルアセスメントを通じて、マイコン上で実行されるTinyML（TinyML）の環境持続可能性を評価している。TinyMLデバイスは、バッテリーやセンサーのおかげで測定可能な炭素足跡を有するが、農業や気候モニタリングなどの分野における広範な展開により、排出量を大幅に削減でき、包括的な設計がなされれば、ネット環境的利点が得られる。研究では、持続可能なシステムレベル設計、エネルギー回収、ハードウェアのリサイクルを推奨し、UN持続可能な開発目標へのプラスの影響を最大化する。

ABSTRACT

The sustained growth of carbon emissions and global waste elicits significant sustainability concerns for our environment's future. The growing Internet of Things (IoT) has the potential to exacerbate this issue. However, an emerging area known as Tiny Machine Learning (TinyML) has the opportunity to help address these environmental challenges through sustainable computing practices. TinyML, the deployment of machine learning (ML) algorithms onto low-cost, low-power microcontroller systems, enables on-device sensor analytics that unlocks numerous always-on ML applications. This article discusses both the potential of these TinyML applications to address critical sustainability challenges, as well as the environmental footprint of this emerging technology. Through a complete life cycle analysis (LCA), we find that TinyML systems present opportunities to offset their carbon emissions by enabling applications that reduce the emissions of other sectors. Nevertheless, when globally scaled, the carbon footprint of TinyML systems is not negligible, necessitating that designers factor in environmental impact when formulating new devices. Finally, we outline research directions to enable further sustainable contributions of TinyML.

研究の動機と目的

• TinyMLのライフサイクル全体、すなわちハードウェア、バッテリー、システム部品を含めた環境的影響を評価すること。
• スケールでのTinyMLデバイスの炭素足跡の主な要因を特定すること。
• 農業や気候モニタリングのような分野で、TinyMLが排出量削減を実現する方法を検討すること。
• 持続可能なTinyML展開のための設計原則と研究方向性を提起すること。
• MCUにとどまらず、包括的でシステムレベルの持続可能性の必要性を強調すること。

提案手法

• 環境的影響を定量化するために、3つの代表的なTinyMLデバイスプロファイルにおけるライフサイクルアセスメント（LCA）を実施した。
• MCU、バッテリー、センサー部品が総炭素足跡に与える寄与度を分析した。
• センサータイプ、電源、エネルギー回収を含むシステムレベル設計の選択を評価した。
• エネルギー回収を活用したバッテリー不要の動作が、環境コストを低減する可能性を検討した。
• MCUのリサイクルおよびアップサイクリング戦略を提言し、デバイスのライフサイクルを延長した。
• 透明なデータシートとプライバシーを設計段階から考慮する原則を提唱した。

実験結果

リサーチクエスチョン

• RQ1 TinyMLデバイスのライフサイクル炭素足跡の主な環境的要因は何か？
• RQ2 農業や気候モニタリングのような排出量の高い分野への応用によって、TinyMLの炭素足跡を相殺できるか？
• RQ3 センサー選定、電源、ハードウェアの再利用といったシステムレベルの設計選択は、TinyMLの持続可能性にどのように影響するか？
• RQ4 エネルギー回収と間欠的コンピューティングは、TinyMLシステムにおけるバッテリー依存度をどの程度低減できるか？
• RQ5 ハードウェアのリサイクルとアップサイクリングは、TinyML展開に伴う電子廃棄物を最小限に抑えるために果たす役割は何か？

主な発見

• バッテリーがTinyMLデバイスの環境的影響の最大要因であり、次いでセンサーが続く。MCU自体の影響は比較的小さい。
• 農業や気候モニタリング分野での応用により、他の分野での排出量削減を可能にすることで、TinyMLはネット炭素削減を達成できる。
• 低コスト・低解像度のセンサーやセンサーフュージョンを活用することで、性能に影響を与えずに環境的影響を低減できる。
• エネルギー回収とバッテリー不要の動作は、TinyMLの環境的コストを最小限に抑える重要な道筋である。
• MCUのリサイクルとアップサイクリングは、デバイスのライフサイクルを延長し、電子廃棄物を削減する。
• システムレベルの持続可能性には、透明性、プライバシーを設計段階から考慮する、および補足的なデータシートの提供が不可欠である。