[论文解读] 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 5

一句话总结

本文通过生命周期分析评估了微型机器学习（TinyML）的环境可持续性，表明尽管由于电池和传感器的存在，TinyML设备存在可衡量的碳足迹，但其在农业和气候监测等领域的广泛应用可显著减少排放，从而在整体系统设计下实现净环境效益。该研究倡导采用可持续的系统级设计、能量采集技术以及硬件回收，以最大化TinyML对联合国可持续发展目标的积极影响。

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.

研究动机与目标

• 评估TinyML在其整个生命周期内的环境影响，涵盖硬件、电池和系统组件。
• 识别在规模化应用下TinyML设备碳足迹的主要贡献因素。
• 探讨TinyML如何在农业和气候监测等领域能够实现净碳减排。
• 提出可持续的TinyML部署设计原则与研究方向。
• 强调需要超越微控制器（MCU）本身，从系统整体层面实现可持续性。

提出的方法

• 对三种具有代表性的TinyML设备配置进行生命周期分析（LCA），以量化其环境影响。
• 分析MCU、电池和传感器组件对总碳足迹的贡献。
• 评估系统级设计选择，如传感器类型、电源类型和能量采集技术的影响。
• 探索利用能量采集实现无电池运行的潜力，以降低环境成本。
• 提出MCU的回收与再利用策略，以延长设备生命周期。
• 倡导在TinyML系统中采用透明的数据表和隐私优先设计原则。

实验结果

研究问题

• RQ1 TinyML设备生命周期碳足迹的主要环境贡献因素是什么？
• RQ2 TinyML的碳足迹能否通过其在农业和气候监测等高排放行业中的应用得到抵消？
• RQ3 系统级设计选择（如传感器选型、电源类型和硬件再利用）如何影响TinyML的可持续性？
• RQ4 能量采集与间歇计算在多大程度上可减少TinyML系统对电池的依赖？
• RQ5 硬件回收与再利用在减少TinyML部署产生的电子废弃物方面发挥什么作用？

主要发现

• 电池是TinyML设备环境足迹的最大贡献者，其次是传感器，而MCU本身的环境影响相对较小。
• 通过在农业和气候监测等领域能够实现净碳减排，TinyML可实现整体净环境效益。
• 使用成本更低、分辨率更低的传感器或传感器融合技术，可在不牺牲性能的前提下降低环境影响。
• 能量采集与无电池运行是最大限度降低TinyML环境成本的关键路径。
• MCU的回收与再利用可延长设备生命周期，减少电子废弃物。
• 系统级可持续性需要透明性、隐私优先设计，以及补充性数据表，以确保伦理与安全部署。