要約
人工知能（AI）モデル、特に深層ニューラルネットワーク（DNN）の利用が拡大するにつれ、学習および推論プロセスにおける電力消費が増加しており、環境への影響が懸念される一方で、よりエネルギー効率の高いアルゴリズムおよびハードウェアソリューションの開発が急務となっている。本研究は、機械学習（ML）におけるエネルギー消費の増大、特に推論フェーズにおける問題に焦点を当てている。電力消費のわずかな削減でも、大きなエネルギー節約が実現可能であり、ユーザー、企業、そして環境全体に利益をもたらす。本研究では、ニューロエボリューション（neuroevolutionary）フレームワークを用いて、人工ニューラルネットワーク（ANN）モデルの精度を最大化しつつ、電力消費を最小化することを目指す。そのために、適応度関数に電力消費を組み込む。新たに提案する突然変異戦略では、層のモジュールを確率的に再導入する手法を採用し、エネルギー効率の高いモジュールがより高い確率で選ばれるように設計されている。また、単一の学習ステップ内で二つの独立したモデルを同時に学習可能とする新技術を導入し、一方のモデルを他方よりもよりエネルギー効率的に保ちつつ、精度はほぼ同等に維持する。実験結果から、予測性能に顕著な低下を来すことなく、ANNモデルの電力消費を最大29.2％まで削減できることが示された。