گروه مهندسی برق و کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران
چکیده
این پژوهش از نوع کمی ـ تجربی است و با هدف تحلیل مصرف انرژی، انتشار دیاکسیدکربن و عملکرد مدلها در سناریوهای مختلف بهینهسازی انجام شد. دادهها از چهار مجموعهداده استاندارد Iris، Digits، Wine و CIFAR-10 گردآوری و آزمایشها در محیط محاسباتی آزمایشگاهی اجرا گردید؛ بنابراین قلمرو مکانی بستر محاسباتی و قلمرو زمانی دوره اجرای آزمایشهاست. روش تحلیل شامل اجرای مدلها تحت سناریوهای مختلف پیشپردازش و مقایسه شاخصهای دقت، صحت، نرخ بازخوانی، امتیاز F1، مصرف انرژی و انتشار کربن است. افزایش مصرف انرژی و انتشار دیاکسیدکربن ناشی از توسعه مدلهای یادگیری ماشین و شبکههای عصبی عمیق، ضرورت توجه به رویکردهای هوش مصنوعی سبز را برجسته کرده است. این پژوهش مصرف انرژی، انتشار دیاکسیدکربن و عملکرد مدلها را در چهار سناریوی پایه، حذف دادههای تکراری، PCA و نمونهبرداری ۵۰ درصدی بررسی کرده است. در مجموعههای Iris و Wine، نرخ صحت، دقت، نرخ بازخوانی و امتیاز F1 در تمام سناریوها برابر یا نزدیک به ۱ باقی ماند و مصرف انرژی از 0.000005 kWh به 0.000003 kWh کاهش یافت. در مجموعه Digits نیز دقت بین 0.96 تا 0.97 متغیر بود و نمونهبرداری مصرف انرژی را به 0.000007 kWh کاهش داد. در بخش دوم، شبکه عصبی پیچشی روی CIFAR-10 با دقت 0.56 اجرا شد، اما مصرف انرژی و انتشار کربن آن به طور قابل توجهی بالاتر از دادههای کوچک بود. نتایج نشان میدهد سناریوهای بهینهسازی در دادههای کوچک موجب کاهش انرژی بدون افت دقت میشوند، اما در دادههای بزرگ نیاز به روشهای پیشرفتهتر وجود دارد.
)