It requires significant energy to manufacture and deploy computational devices. Traditional discussions of the energy-efficiency of compute measure operational energy, i.e.\ how many FLOPS in a 50\,MW datacenter. However, if we consider the true lifetime energy use of modern devices, the majority actually comes not from runtime use but from manufacture and deployment. In this paper, then, we suggest that perhaps the most climate-impactful action we can take is to extend the service lifetime of existing compute. We design two new metrics to measure how to balance continued service of older devices with the superlinear runtime improvements of newer machines. The first looks at carbon per raw compute, amortized across the operation and manufacture of devices. The second considers use of components beyond compute, such as batteries or radios in smartphone platforms. We use these metrics to redefine device service lifetime in terms of carbon efficiency. We then realize a real-world ``junkyard datacenter'' made up of Nexus 4 and Nexus 5 phones, which are nearly a decade past their official end-of-life dates. This new-old datacenter is able to nearly match and occasionally exceed modern cloud compute offerings.


翻译:它需要巨大的能量来制造和部署计算装置。关于计算操作能量的能源效率的传统讨论,即:在50年中有多少FLOPS,MW数据中心。然而,如果我们考虑到现代装置的真正寿命寿命能源使用量,大多数实际上不是来自运行时间的使用量,而是来自制造和部署。在本文中,我们建议,我们可能能够采取的最气候影响最大的行动是延长现有计算器的服务寿命期。我们设计了两个新的衡量标准,以衡量如何平衡老设备的持续服务与新机器超线运行时间改进之间的平衡。第一个衡量标准是每个原始计算、在设备操作和制造过程中摊销的碳。第二个衡量标准考虑的是超出计算范围的部件的使用量,如智能手机或无线电平台中的电池或无线电。我们用这些衡量标准来重新定义设备服务寿命的碳效率。然后我们发现一个真实世界的“枢纽站”数据中心由Nexus 4和 Nexus 5 手机组成,它们几乎已经超过其正式寿命的十年了。这个新的数据中心能够不定期更新并更新。

0
下载
关闭预览

相关内容

Nexus 4是由LG代工,于2012年10月29日发布的一款的Nexus系列手机,采用4.7英寸1280×768分辨率显示屏,像素密度达到了320ppi,其他主要特点包括首发搭载Android 4.2操作系统、四核Snapdragon S4处理器、NFC和800万像素摄像。机身厚度9.1毫米,内置了感应线圈,可以在不插线的情况下实现后壳靠在底座上的无线充电。LG Nexus 4的8GB版本售价299美元,16GB售价349美元。
专知会员服务
56+阅读 · 2021年4月12日
专知会员服务
60+阅读 · 2020年3月19日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
移动端机器学习资源合集
专知
8+阅读 · 2019年4月21日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
19+阅读 · 2021年6月15日
Arxiv
6+阅读 · 2020年10月8日
Neural Architecture Optimization
Arxiv
8+阅读 · 2018年9月5日
Arxiv
12+阅读 · 2018年9月5日
VIP会员
相关VIP内容
专知会员服务
56+阅读 · 2021年4月12日
专知会员服务
60+阅读 · 2020年3月19日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
移动端机器学习资源合集
专知
8+阅读 · 2019年4月21日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员