بهینه سازی کوانتومی ترکیبی برای هوش مصنوعی لبه پایدار

یکی از زیرساختهای بسیار ضروری برای کاهش تاخیر بارهای کاری هوش مصنوعی و بهبود حریم خصوصی پارادایم محاسبات لبه می باشد. با این حال گسترش سیستمهای هوش مصنوعی لبه به دلیل مصرف انرژی توزیع شده و پیامدهای ردپای، کربن نگرانیهای پایداری قابل توجهی را ایجاد میکند. این مقاله یک چارچوب بهینه سازی چندهدفه کوانتومی جدید برای هماهنگ سازی پایدار هوش مصنوعی لبه ارائه میدهد که ردیابی ردپای کربن، در زمان واقعی را با الگوریتمهای ترکیبی تخصیص منابع کوانتومی-کلاسیک ادغام میکند. رویکرد ما از اصول الگوریتم بهینه سازی تقریبی کوانتومی (QAOA) همراه با تکنیکهای بهینه سازی کلاسیک برای دستیابی به توزیع بار کاری آگاه از کربن در سراسر زیرساخت لبه ناهمگن استفاده می کند. ارزیابی تجربی با استفاده از یک شبکه شبیه سازی شده از ۸ گره لبه که ۱۵ بار کاری هوش مصنوعی را پردازش کرده، نشان دهنده کاهش ۴۲ درصدی در انتشار کربن است همچنین ۹۵.۸ درصد بهره وری استفاده از منابع را حفظ می کند. چارچوب پیشنهادی با زمان همگرایی ۳.۲ ثانیه به امتیاز پایداری ۷۰.۳ درصد دست می یابد و یک الگوی جدید برای استقرار محاسبات لبه آگاه از محیط زیست ایجاد می کند ادغام شتابدهنده ۱۰۰ GPU و بهینه سازی انرژی تجدیدپذیر کاربرد عملی سیستم را برای پیاده سازی های پایدار هوش مصنوعی لبه در مقیاس بزرگ افزایش می دهد.

کلیدواژه ها:

محاسبات ، لبه ، بهینه سازی ، کوانتومی ، هوش مصنوعی ، پایدار ، محاسبات کربن-آگاه