祝贺实验室团队博士生窦曙光一篇论文” EA-HAS-Bench: Energy-aware Hyperparameter and Architecture Search Benchmark” 被ICLR 2023录用为Spotlight。由于训练数据和模型规模的增长，深度学习模型的训练能耗以惊人的速度增加，对碳中和造成了负面影响。对于自动机器学习（AutoML）算法来说，能耗问题尤其紧迫，因为它通常需要不断训练大量计算密集的深层模型，以搜索最佳配置。本文是开发能量感知（Energy-Aaware）NAS方法的最重要步骤之一，通过提供一个基准来使EA-NAS研究更具可复制性和可访问性。具体而言，我们提出了第一个大规模能量感知基准，允许研究AutoML方法以在能耗和搜索能耗之间取得更好的平衡，命名为EA-HAS-Bench。EA-HAS-Bench提供了大规模的架构/超参数联合搜索空间，覆盖了与能耗有关的多样化配置。此外，我们提出了一种专门针对大联合搜索空间的新型代理模型，该模型提出了基于Bézier曲线的模型，可以预测具有无限形状和长度的学习曲线。

现有大多数传统基准，例如NAS-Bench-101，并不直接提供训练能量成本，而是使用模型训练时间作为训练资源预算，但我们的实验证明，这是能量成本的不准确估计。HW-NAS-bench提供了不同模型架构的推理延迟和推理能量消耗，但也不提供搜索能量成本。