機械学習の革新により、コンピュータの電力使用量が削減されています

機械学習により、コンピュータの電力使用量が削減されています

.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_print { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_print:hover { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.mobile-apps { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #FFF; background-size: 10px; } .fav_bar a.mobile-apps:hover { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #e6e9ea; background-size: 10px} .fav_bar a.fav_de { background: url(/images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(/images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

ワシントン州立大学（WSU）とインテルの研究者によって開発された機械学習フレームワークは、マルチコアコンピュータプロセッサの電力使用を管理してエネルギー消費を削減することができます。

研究者は、64コアプロセッサの異なるクラスタのための電圧と周波数レベルを選択するアルゴリズムを設計しました。

スケーラブルなフレームワークは、マルチプロセッサのパフォーマンスを低下させることなく、電力管理を最適化することを学習し、最大60％のエネルギー削減を実現しました。

• StableSRをご紹介します：事前トレーニング済み拡散モデルの力を活用した新たなAIスーパーレゾリューション手法
• 「11/9から17/9までの週のトップ重要なコンピュータビジョンの論文」
• 無料でGoogle Colab上でQLoraを使用してLLAMAv2を微調整する

WSUのJana Doppaは、このイノベーションは最大1,000コアプロセッサを持つ将来のコンピューティングシステム向けに設計されていると述べていますが、非常に小さな組み込みシステムにも使用することができます。 WSU Insiderからの全文記事を表示する

要約著作権©2023 SmithBucklin、ワシントンDC、アメリカ

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!