Geri Dön

Dijital karbon ayak izinin optimizasyonu için uç cihazlarda yapay zeka ve makine öğrenmesi uygulamaları

Artificial intelligence and machine learning applications on edge devices for digital carbon footprint optimization

PDF İndir

  1. Tez No: 956426
  2. Yazar: ÇAĞLAR ŞİMŞEK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FATİH ÇALLI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 117

Özet

Günümüzde, yapay zeka (YZ) uygulamaları hayatımızın birçok alanına derinlemesine nüfuz etmiş durumdadır ve bu durum, özellikle teknolojinin hızlı bir şekilde gelişmesi ile, birçok farklı sektörde önemli değişiklikler ve yenilikler getirmiştir. Özellikle, nesnelerin interneti (Internet of Things -IoT) cihazları ile entegre edilen derin öğrenme (DÖ) modellerinin etkileri, akıllı evler, akıllı şehirler, sağlık hizmetleri, ulaşım sistemleri ve endüstriyel otomasyon gibi çeşitli alanlarda yaygın bir şekilde hissedilmektedir. Bu gelişmeler, bu alanlarda büyük bir ilerleme kaydedilmesini sağlamış ve aynı zamanda enerji verimliliği, otomasyon ve zengin kullanıcı deneyimi açısından önemli avantajlar sunmuştur. Ancak, bu teknolojik ilerlemelerin beraberinde bazı çevresel etkileri de getirdiği gözlemlenmiştir. Özellikle, IoT cihazları üzerinde çalıştırılan derin öğrenme modellerinin enerji tüketimi ve bu durumun dolayısıyla yaratmış olduğu karbon ayak izi, son yıllarda dikkat çekici bir endişe kaynağı haline gelmiş ve bu konuda çeşitli araştırmalar yapılması gerekliliği ortaya çıkmıştır. Bu tez çalışması, Raspberry Pi 5 (CPU), NVIDIA Jetson Xavier NX (GPU), Google Coral USB Accelerator (TPU) ve Khadas VIM3 Pro (NPU) gibi birbirinden farklı ve oldukça ilginç donanım mimarilerine sahip toplamda dört farklı IoT platformunda, MobileNetV2, ShuffleNetv2, SqueezeNet ve ResNet18 gibi son derece popüler ve yaygın bir şekilde kullanılan derin öğrenme modellerinin enerji tüketimlerinin yanı sıra, bu modellerin performans metrikleri olarak gecikme süreleri ile doğruluk derecelerinin kapsamlı bir biçimde karşılaştırmalı incelemesini ve değerlendirilmesini hedeflemektedir. Ayrıca bu çalışma, bu derin öğrenme modellerinin enerji tüketimindeki değişimlerin yanı sıra karbon ayak izinin de nasıl etkilendiği konusunda derinlemesine bir inceleme yapacaktır. Bu araştırmanın önemli bir bileşeni olarak, quantization, pruning ve knowledge distillation gibi çeşitli optimizasyon tekniklerinin bu modellerin enerji tüketimi ve karbon ayak izi üzerindeki etkileri, gerçek yaşamdan alınan bir örnek olan akıllı ev uygulaması çerçevesinde (özel olarak enerji tüketiminin izlenmesi) değerlendirilecektir. Optimizasyon sürecinde kullanılan yöntemler arasında niceleme (quantization), budama (pruning), bilgi damıtma (knowledge distillation) ve ağırlık kümeleme (weight clustering) gibi çeşitli etkili teknikler bulunmaktadır ve bu stratejilerin uygulanmasıyla enerji verimliliği sağlanması amaçlanmaktadır. Bu tekniklerin enerji tüketimi, işlem süresi ve model doğruluğu üzerindeki etkileri son derece detaylı bir biçimde ele alınmış olup, en iyi sonuçların ışığında IoT cihazlarında enerji verimliliği ile yüksek performans arasında en uygun dengeyi sağlamak maksadıyla kapsamlı bir analiz gerçekleştirilmiştir. Bu sayede elde edilen veriler hem akademik hem de endüstriyel uygulamalar için önemli çıktılar sunmayı hedeflemektedir. NPU, TPU ve GPU gibi donanımlarda uygulanan optimizasyon tekniklerinin etkileri karşılaştırmalı olarak sunulmuş ve çevresel etkiler açısından en etkili çözüm önerileri derinlemesine tartışılmıştır. Çalışmanın sonuçları, yapay zeka modellerinin hem performanstan ödün vermeden hem de enerji verimliliği sağlayarak karbon ayak izini azaltabileceğini açık bir şekilde göstermektedir. Böylece, IoT cihazlarının kullanımındaki çevresel etkiler minimize edilerek, sürdürülebilir bir dijital geleceğe ulaşmak için önemli bir adım atılmış olacaktır ve bu durum, teknoloji ve çevre dostu yaklaşımlar arasında bir denge kurmak adına kritik bir öneme sahiptir.

Özet (Çeviri)

The advent of artificial intelligence (AI) applications has profoundly impacted numerous facets of human existence, precipitating substantial transformations and innovations across diverse sectors, particularly in the context of rapid technological advancements. The integration of deep learning (DL) models with Internet of Things (IoT) devices has engendered widespread and profound effects, manifesting in numerous domains such as smart homes, innovative smart cities, sophisticated healthcare systems, advanced transportation networks, and revolutionary industrial automation processes. These remarkable advancements have enabled substantial progress across these varied domains, offering significant advantages in terms of enhanced energy efficiency, seamless automation, and a greatly improved user experience that elegantly adapts to the specific needs and preferences of individuals. This dynamic and synergistic relationship between DL and IoT is fundamentally revolutionizing how we interact with technology in our daily lives, making our environments smarter and more responsive. However, these notable technological advances have also unfortunately been accompanied by a variety of significant environmental impacts that cannot be overlooked. Specifically, the substantial energy consumption associated with deep learning models that are being executed on Internet of Things (IoT) devices and the resulting carbon footprint produced have become a major concern in recent years, drawing the attention of researchers and policymakers alike. This pressing issue has prompted numerous research studies aimed at understanding and mitigating these adverse effects, as addressing such challenges is essential for the sustainability and longevity of these advancements in technology. The primary objective of this thesis is to conduct a comprehensive comparative study and evaluation focused on the energy consumption, performance metrics (specifically latency and accuracy), and the overall carbon footprint associated with popular deep learning models that are widely used within the industry. These models include MobileNetV2, ShuffleNetV2, SqueezeNet, and ResNet18. The evaluation will be meticulously performed on four distinct IoT platforms, each representing different hardware architectures that vary in capability, such as the Raspberry Pi 5 (which utilizes a CPU), the NVIDIA Jetson Xavier NX (designed with a powerful GPU), the Google Coral USB Accelerator (featuring an efficient TPU), and the Khadas VIM3 Pro (equipped with a specialized NPU). Furthermore, this research will delve into a thorough understanding of the impact of various optimization techniques that can significantly enhance the performance and sustainability of these models. These techniques will include quantization, pruning, and knowledge distillation, with a specific focus on how they systematically affect the energy consumption and the carbon footprint associated with the aforementioned models. This rigorous assessment will be conducted within the practical context of a real-world smart home application, particularly emphasizing sophisticated energy consumption monitoring systems designed to improve sustainability. By integrating these techniques and evaluating their effects in detail, this study aims to provide valuable insights into the optimization of deep learning models for sustainability and efficiency within increasingly prevalent IoT environments. The primary goal of this comprehensive study is not only to thoroughly benchmark but also to critically evaluate the energy consumption of widely utilized deep learning models, such as SqueezeNet and ResNet18, alongside their associated latency and accuracy as essential performance metrics. Moreover, this extensive study will also investigate how these prominent deep learning models are influenced by variations in energy consumption and their corresponding carbon footprint, which is becoming an ever-important concern in today's environmentally conscious world. A critical and significant facet of this research further entails the evaluation and comparison of a variety of powerful optimization techniques, including but not limited to quantization, pruning, and knowledge distillation. This will all be done in the context of a practical, real-world example: a smart home application that is specifically focused on monitoring energy consumption and optimizing usage patterns to foster sustainability and efficient resource management. The optimization process harnesses a variety of effective techniques which include quantization, pruning, knowledge distillation, and weight clustering. The primary implementation of these strategies is specifically aimed at achieving a markedly greater level of energy efficiency. Furthermore, a thorough and comprehensive analysis has been meticulously conducted to explore the wide-ranging impact of these optimization techniques on energy consumption, processing time, as well as model accuracy. This in-depth analysis has been undertaken to identify the most optimal balance between energy efficiency and high performance in Internet of Things (IoT) devices, aiming to elucidate the interplay between computational demands and environmental responsibilities. The data obtained through these advanced methods is anticipated to provide significant and valuable insights, which will be beneficial for both academic researchers and industrial applications alike, fostering a collaborative effort toward a sustainable technological future. This study presents a comparative analysis of the effects of optimization techniques applied to hardware components such as NPU, TPU, and GPU. A comprehensive discussion is provided on the most effective solutions in terms of environmental impacts. The study's findings are conclusive in demonstrating that artificial intelligence models can effectively reduce the carbon footprint without compromising performance and energy efficiency. Consequently, this study underscores the significance of reducing the environmental impact of IoT devices, thereby paving the way towards a sustainable digital future. Achieving this balance between technological advancement and environmentally friendly approaches is imperative.

Benzer Tezler

  1. Tez No

    893605

    Design of a high-accuracy energy management system for electric vehicles and V2G approaches considering battery aging

    Elektrikli araçlar için yüksek doğruluklu enerji yönetim sistemi tasarımı ve batarya yaşlanmasını dikkate alan V2G yaklaşımları

    ARDA AKYILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ONUR GÜLBAHÇE

    DR. ÖĞR. ÜYESİ MUSTAFA ALPARSLAN ZEHİR

  2. Tez No

    885663

    Enhancing warehouse efficiency through geographic information system and genetic algorithm

    Coğrafi bilgi sistemleri ve genetik algoritma ile depo verimliliğinin artırılması

    ONUR YÜREKLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED ENES ATİK

  3. Tez No

    953708

    BIM ile yapı malzemelerindeki gömülü karbonun hesaplanması ve karbon ayak izi yönetimi: Veri entegrasyonu ve optimizasyon yöntemleri

    Assessing embodied carbon in building materials through BIM and managing carbon footprint: Approaches to data integration and optimization

    SÜMEYYE ÖZYALÇIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    MimarlıkMimar Sinan Güzel Sanatlar Üniversitesi

    Enformatik Ana Bilim Dalı

    PROF. DR. ÜMİT IŞIKDAĞ

  4. Tez No

    541000

    Architectural form exploration by soft computing: The case of post-disaster shelter

    Esnek hesaplama aracılığıyla mimari biçim arayışları: Afet sonrası barınak örneği

    FÜSUN CEMRE KARAOĞLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEMA ALAÇAM

  5. Tez No

    961750

    Kalıplama ile üretilen otomotiv yedek parçasının yaşam döngüsü analizi

    Life cycle analysis of automotive spare parts produced by molding

    KÜBRA ZEKİYE YAZIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Çevre MühendisliğiBursa Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET AYGÜN

Geri Dön