[논문 리뷰] Is TinyML Sustainable? Assessing the Environmental Impacts of Machine Learning on Microcontrollers

Shvetank Prakash, Matthew Stewart외 5명|arXiv (Cornell University)|2023. 01. 27.

Green IT and Sustainability인용 수 5

한 줄 요약

이 논문은 생명주기 분석을 통해 마이크로컨트롤러에 구동되는 TinyML의 환경 지속 가능성성을 평가한다. TinyML 기기의 배터리와 센서로 인해 측정 가능한 탄소 배출이 발생하지만, 농업 및 기후 모니터링 분야에 광범위하게 도입될 경우 탄소 배출을 크게 줄일 수 있으며, 종합적인 설계를 통해 순환경경적 이점을 얻을 수 있음을 입증한다. 연구는 지속 가능한 시스템 수준 설계, 에너지 수확, 하드웨어 재활용을 통해 유엔 지속 가능한 발전 목표에 긍정적인 영향을 미치기 위한 전략을 제안한다.

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.

연구 동기 및 목표

• TinyML의 전체 생애주기 동안 하드웨어, 배터리, 시스템 구성 요소를 포함한 환경적 영향을 평가하기.
• 대규모로 확산될 경우 TinyML 기기의 탄소 발자국의 주요 기여 요소를 특정하기.
• 농업 및 기후 모니터링과 같은 분야에서 TinyML이 탄소 배출 감소를 어떻게 가능하게 할 수 있는지 탐색하기.
• 지속 가능한 TinyML 배포를 위한 설계 원칙과 연구 방향을 제안하기.
• 단지 MCU에 국한되지 않는 통합적이고 시스템 수준의 지속 가능성의 필요성을 강조하기.

제안 방법

• 환경 영향을 정량화하기 위해 세 가지 대표적인 TinyML 기기 프로파일에 대해 생명주기 분석(LCA)을 수행하였다.
• MCU, 배터리, 센서 구성 요소가 총 탄소 발자국에 기여하는 정도를 분석하였다.
• 센서 유형, 전원 공급원, 에너지 수확 기술과 같은 시스템 수준의 설계 선택 사항을 평가하였다.
• 에너지 수확을 활용한 배터리 없는 운영 방식이 환경 비용을 줄일 잠재력을 탐색하였다.
• MCU의 재활용 및 재사용 전략을 제안하여 기기 수명 주기를 연장하였다.
• 투명한 데이터시트 및 프라이버시 중심 설계 원칙을 TinyML 시스템에 도입할 것을 주장하였다.

실험 결과

연구 질문

• RQ1 TinyML 기기의 생애주기 탄소 발자국의 주요 환경 기여 요소는 무엇인가?
• RQ2 농업 및 기후 모니터링과 같은 탄소 배출이 높은 분야에 적용될 경우, TinyML의 탄소 발자국이 상쇄될 수 있는가?
• RQ3 센서 선택, 전원 공급원, 하드웨어 재사용과 같은 시스템 수준의 설계 선택 사항이 TinyML의 지속 가능성에 어떤 영향을 미치는가?
• RQ4 에너지 수확 및 간헐적 컴퓨팅은 TinyML 시스템에서 배터리 의존도를 얼마나 줄일 수 있는가?
• RQ5 하드웨어 재활용 및 재사용 전략은 TinyML 배포로 인한 전자 폐기물 최소화에 어떤 역할을 하는가?

주요 결과

• 배터리가 TinyML 기기의 환경적 영향에서 가장 큰 기여를 하며, 그 다음으로 센서가 영향을 미치고, MCU 자체는 비교적 작은 영향을 미친다.
• 농업 및 기후 모니터링 분야에서의 응용을 통해 탄소 배출을 줄일 수 있기 때문에, TinyML는 순탄소 감소를 달성할 수 있다.
• 저비용, 저해상도 센서 또는 센서 융합 기술을 사용하면 성능을 유지하면서도 환경적 영향을 줄일 수 있다.
• 에너지 수확 및 배터리 없는 운영 방식은 TinyML의 환경 비용을 최소화하는 핵심적 길이다.
• MCU의 재활용 및 재사용은 기기 수명 주기를 연장하고 전자 폐기물을 줄이는 데 기여한다.
• 시스템 수준의 지속 가능성은 투명성, 프라이버시 중심 설계, 보조 데이터시트의 제공을 통해 윤리적이고 안전한 배포를 가능하게 한다.