نقش هوش مصنوعی سبز در ارتقای بهره وری و کاهش هزینه های انرژی دفاعی

این پژوهش از نوع کمی-تجربی است و با هدف تحلیل مصرف انرژی، انتشار دی اکسید کربن و عملکرد مدل ها در سناریوهای مختلف بهینه سازی انجام شد. داده ها از چهار مجموعه داده استاندارد Iris، Digits، Wine و CIFAR-۱۰ گردآوری و آزمایش ها در محیط محاسباتی آزمایشگاهی اجرا گردید؛ بنابراین قلمرو مکانی بستر محاسباتی و قلمرو زمانی دوره اجرای آزمایش ها است. روش تحلیل شامل اجرای مدل ها تحت سناریوهای مختلف پیش پردازش و مقایسه شاخص های دقت، صحت، نرخ بازخوانی، امتیاز F۱، مصرف انرژی و انتشار کربن است. افزایش مصرف انرژی و انتشار دی اکسیدکربن ناشی از توسعه مدل های یادگیری ماشین و شبکه های عصبی عمیق، ضرورت توجه به رویکرد های هوش مصنوعی سبز را برجسته کرده است. این پژوهش مصرف انرژی، انتشار دی اکسیدکربن و عملکرد مدل ها را در چهار سناریوی پایه، حذف داده های تکراری، PCA و نمونه برداری ۵۰ درصدی بررسی کرده است. در مجموعه های Iris و Wine، نرخ صحت، دقت، نرخ بازخوانی و امتیاز F۱ در تمام سناریوها برابر یا نزدیک به ۱ باقی ماند و مصرف انرژی از ۰۰۰۰۰۵/۰ kWh به ۰۰۰۰۰۳/۰ kWh کاهش یافت. در مجموعه Digits نیز دقت بین ۹۶/۰ تا ۹۷/۰ متغیر بود و نمونه برداری مصرف انرژی را به ۰۰۰۰۰۷/۰ kWh کاهش داد. در بخش دوم، شبکه عصبی پیچشی روی CIFAR-۱۰ با دقت ۵۶/۰ اجرا شد؛ اما مصرف انرژی و انتشار کربن آن به طور قابل توجهی بالا تر از داده های کوچک بود. نتایج نشان می دهد سناریوهای بهینه سازی در داده های کوچک موجب کاهش انرژی بدون افت دقت می شوند؛ اما در داده های بزرگ نیاز به روش های پیشرفته تر وجود دارد.

کلیدواژه ها:

هوش مصنوعی ، مصرف انرژی ، دی اکسید کربن ، یادگیری ماشین ، بهره وری