W skrócie
Warto szukać szerzej niż wśród projektów oznaczonych jako „green AI” (zielona AI): badania nad wydajną AI prowadzi się w informatyce, matematyce, elektrotechnice i naukach dziedzinowych, często pod nazwami takimi jak wydajne uczenie maszynowe, zrównoważone obliczenia czy sprzęt o niskim poborze mocy. Należy przeszukiwać programy szkół doktorskich i listy projektów, czytać najnowsze publikacje, by znaleźć aktywnych promotorów, i pytać, jak w pracy będzie mierzona energia.
Kroki
- Przeglądać oferty doktoratów i programy szkół doktorskich, używając kilku haseł, nie tylko „green AI”.
- Czytać najnowsze publikacje o wydajnej AI, aby znaleźć zespoły i promotorów aktywnych w tej dziedzinie.
- Skontaktować się z potencjalnymi promotorami, wysyłając krótką wiadomość o swoich zainteresowaniach i doświadczeniu.
- Zapytać, jak w projekcie będą mierzone i raportowane energia oraz moc obliczeniowa.
- Sprawdzić finansowanie, warunki udziału i terminy, które różnią się w zależności od kraju i programu.
Należy szukać szeroko, bo większość badań nad zieloną AI nie jest oznaczona jako „green AI”. Wydajne metody rozwija się na wielu wydziałach i pod wieloma nazwami.
Podstawy dziedziny podpowiadają hasła do wyszukiwania. Artykuł „Green AI” autorstwa Schwartza, Dodge’a, Smitha i Etzioniego z 2020 roku postulował traktowanie wydajności jako kryterium oceny obok dokładności, a artykuł Strubell, Ganesha i McCalluma z 2019 roku oszacował koszt trenowania modeli językowych. Publikacje, które je cytują, dobrze pokazują, kto pracuje w tej dziedzinie.
W jakich dziedzinach powstają doktoraty z zielonej AI?
- Informatyka: wydajne trenowanie i wnioskowanie, kompresja modeli, systemy i harmonogramowanie.
- Matematyka i statystyka: numeryczna algebra liniowa, optymalizacja, rzadkość (sparsity), kwantyfikacja niepewności.
- Elektrotechnika: sprzęt o niskim poborze mocy i sprzęt wyspecjalizowany, AI na urządzeniach brzegowych (edge AI).
- Nauki dziedzinowe: projekty z zakresu klimatu, zdrowia czy inżynierii, które zastępują kosztowne symulacje mniejszymi, wiarygodnymi modelami.
Przydatne hasła: efficient machine learning (wydajne uczenie maszynowe), sustainable lub low-carbon computing (zrównoważone lub niskoemisyjne obliczenia), model compression (kompresja modeli), energy-aware computing (obliczenia uwzględniające zużycie energii), edge AI, surrogate models (modele zastępcze).
Gdzie są ogłaszane?
Nasz katalog doktoratów zawiera oferty studiów doktoranckich, a katalog badań wymienia zespoły. Krajowe serwisy z ofertami doktoratów i programy szkół doktorskich ogłaszają ich znacznie więcej; zasady finansowania i terminy różnią się w zależności od kraju.
O co zapytać promotora?
- Jak będą mierzone i raportowane energia oraz moc obliczeniowa?
- Jaki sprzęt i jaki budżet obliczeniowy będą dostępne?
- Czy są partnerzy z przemysłu lub partnerzy wdrożeniowi?
- Gdzie trafili niedawni doktoranci?
Częste błędy
- Szukanie wyłącznie hasła „green AI”.
- Wybór wyłącznie na podstawie tematu, bez pytań o opiekę promotorską i moc obliczeniową.
- Kontaktowanie się z promotorami za pomocą ogólnikowej wiadomości.
Główne kierunki badań opisuje przewodnik dla badaczy.
Źródła
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
Powiązane
Zielona AI dla naukowców
Przewodnik dla naukowców: efektywne metody AI, pomiar i raportowanie energii w publikacjach, budżety obliczeniowe, finansowanie i rola matematyki.
Jak się dowiedzieć więcej o zielonej AI?
Od czego zacząć naukę o zielonej AI, niezależnie od doświadczenia: krótkie lektury, bezpłatne narzędzia, kursy, społeczności i badania warte śledzenia.
Matematyka, która czyni AI bardziej efektywną
Przycinanie, rzadkość, szkicowanie, teoria macierzy losowych i modele oparte na fizyce: jak matematyka ogranicza obliczenia, pamięć i energię potrzebne AI.
Jak raportować zużycie energii w moich badaniach nad AI?
Co podać w artykule o obliczeniach i energii: sprzęt, GPU-godziny wszystkich przebiegów, energię, lokalizację, emisje, koszt inferencji i przyjęte granice.