密歇根大学的研究人员开发了一个名为Zeus的开源优化框架，用于解决深度学习模型的能源消耗问题。随着使用更大模型和更多参数的趋势增长，训练这些模型所需的能量需求也在增加。Zeus通过在训练过程中识别能源消耗和训练速度之间的最佳平衡来解决此问题，而无需进行任何硬件更改或新基础设施。
Zeus通过使用两个软件开关实现这一目标：GPU功率限制和深度学习模型的批大小参数。GPU功率限制控制GPU消耗的电量，批大小参数控制在更新模型对数据关系的表示之前处理多少个样本。通过实时调整这些参数，Zeus旨在最小化能源消耗，同时尽可能少地对训练时间产生影响。
Zeus设计用于与各种机器学习任务和GPU配合使用，并且可以在不更改硬件或基础设施的情况下使用。此外，研究团队还开发了名为Chase的补充软件，该软件可以通过在低碳能源可用时优先考虑速度，在高峰时段优先考虑效率来降低DNN训练的碳足迹。
研究团队的目标是开发出符合实际情况、能够减少DNN训练的碳足迹并不与大型数据集大小或数据规定等约束冲突的解决方案。虽然由于需要使用最新数据而不总是可以将训练工作推迟到更绿色的时间范围内，但Zeus和Chase仍然可以在不牺牲准确性的情况下提供显著的能源节约。
通过减少深度学习模型的能源需求，Zeus和Chase的开发是解决深度学习模型能源消耗问题的关键一步。研究人员可以在不影响训练时间的情况下展示出显著的能源节约，从而减轻人工智能对环境的影响并促进可持续实践。
总之，Zeus是一个开源优化框架，旨在通过识别能源消耗和训练速度之间的最佳平衡来减少深度学习模型的能源消耗。通过调整GPU功率限制和批大小参数，Zeus最小化能源使用，同时不影响准确性。Zeus可以与各种机器学习任务和GPU配合使用，而补充软件Chase可以降低DNN训练的碳足迹。Zeus和Chase的开发促进了人工智能领域的可持续实践，并减轻了其对环境的影响。