دانشگاه و پژوهشگاه عالی دفاع ملی و تحقیقات راهبردی
وزارت علوم، تحقیقات و فناوری
سامانه رتبه بندی نشریات علمی
سامانه همایش ها
سامانه جامع رسانه‌های کشور
پایگاه استنادی علوم جهان اسلام
مرکز ملی شاپا

 آمار

تعداد نشریات21
تعداد شماره‌ها445
تعداد مقالات3,409
تعداد مشاهده مقاله3,495,074
تعداد دریافت فایل اصل مقاله2,700,055
افشارکهن, امیرحسام, غفاری, حمیدرضا. (1405). نقش هوش مصنوعی سبز در ارتقای بهره وری و کاهش هزینه های انرژی دفاعی. سامانه مدیریت نشریات علمی, (), -.
امیرحسام افشارکهن; حمیدرضا غفاری. "نقش هوش مصنوعی سبز در ارتقای بهره وری و کاهش هزینه های انرژی دفاعی". سامانه مدیریت نشریات علمی, , , 1405, -.
افشارکهن, امیرحسام, غفاری, حمیدرضا. (1405). 'نقش هوش مصنوعی سبز در ارتقای بهره وری و کاهش هزینه های انرژی دفاعی', سامانه مدیریت نشریات علمی, (), pp. -.
افشارکهن, امیرحسام, غفاری, حمیدرضا. نقش هوش مصنوعی سبز در ارتقای بهره وری و کاهش هزینه های انرژی دفاعی. سامانه مدیریت نشریات علمی, 1405; (): -.

نقش هوش مصنوعی سبز در ارتقای بهره وری و کاهش هزینه های انرژی دفاعی

فصلنامه آماد و فناوری دفاعی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 02 شهریور 1405
نوع مقاله: مقاله پژوهشی
نویسندگان
امیرحسام افشارکهن؛ حمیدرضا غفاری*
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.
کلیدواژه‌ها
هوش مصنوعی؛ مصرف انرژی؛ دی‌اکسید کربن؛ یادگیری ماشین؛ بهره‌‌وری
آمار
تعداد مشاهده مقاله: 1