論文の概要: A Cradle-to-Gate Life Cycle Analysis of Bitcoin Mining Equipment Using Sphera LCA and ecoinvent Databases
- arxiv url: http://arxiv.org/abs/2401.17512v2
- Date: Sun, 9 Jun 2024 17:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 03:49:29.607720
- Title: A Cradle-to-Gate Life Cycle Analysis of Bitcoin Mining Equipment Using Sphera LCA and ecoinvent Databases
- Title(参考訳): Sphera LCAとEcoinvent Databaseを用いたBitcoinマイニング装置のクレードル・ツー・ゲイトライフサイクル分析
- Authors: Ludmila Courtillat--Piazza, Thibault Pirson, Louis Golard, David Bol,
- Abstract要約: 我々は、専用のBitcoinマイニング機器のクレードル・トゥ・ゲートライフサイクルアセスメント(LCA)を実施し、そのアーキテクチャを考慮に入れた。
結果は、Bitcoinマイニングのためのアプリケーション固有の集積回路が、生産関連の影響の主な要因であることを示している。
- 参考スコア(独自算出の注目度): 0.6071203743728119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bitcoin mining is regularly pointed out for its massive energy consumption and associated greenhouse gas emissions, hence contributing significantly to climate change. However, most studies ignore the environmental impacts of producing mining equipment, which is problematic given the short lifespan of such highly specific hardware. In this study, we perform a cradle-to-gate life cycle assessment (LCA) of dedicated Bitcoin mining equipment, considering their specific architecture. Our results show that the application-specific integrated circuit designed for Bitcoin mining is the main contributor to production-related impacts. This observation applies to most impact categories, including the global warming potential. In addition, this finding stresses out the necessity to carefully consider the specificity of the hardware. By comparing these results with several usage scenarios, we also demonstrate that the impacts of producing this type of equipment can be significant (up to 80% of the total life cycle impacts), depending on the sources of electricity supply for the use phase. Therefore, we highlight the need to consider the production phase when assessing the environmental impacts of Bitcoin mining hardware. To test the validity of our results, we use the Sphera LCA and ecoinvent databases for the background modeling of our system. Surprisingly, it leads to results with variations of up to 4 orders of magnitude for toxicity-related indicators, despite using the same foreground modeling. This database mismatch phenomenon, already identified in previous studies, calls for better understanding, consideration and discussion of environmental impacts in the field of electronics, going well beyond climate change indicators.
- Abstract(参考訳): Bitcoinの採掘は、大量のエネルギー消費と温室効果ガスの排出で定期的に指摘されており、気候変動に大きく貢献している。
しかし、多くの研究は鉱業機器の製造による環境への影響を無視しており、これは非常に特殊なハードウェアの寿命が短かったことを考えると問題である。
本研究では,専用Bitcoin採掘装置の特定の構造を考慮したLCA(cradle-to-gate Life cycle Assessment)を行う。
以上の結果から,Bitcoinマイニング用に設計されたアプリケーション固有の集積回路が,生産関連の影響の主な要因であることが示唆された。
この観測は、地球温暖化の可能性を含むほとんどの影響カテゴリに適用できる。
さらに、この発見はハードウェアの特異性を慎重に検討する必要があることを強調している。
これらの結果といくつかの利用シナリオを比較することで、使用相の電力供給源に依存して、この種の機器の製造がもたらす影響(ライフサイクル全体の最大80%)が重要であることも示している。
したがって、Bitcoinマイニングハードウェアの環境影響を評価する際に、生産段階を考慮する必要性を強調した。
この結果の有効性を検証するために,Sphera LCAとecoinventデータベースを用いて,システムの背景モデリングを行った。
驚くべきことに、同じフォアグラウンドモデリングを使用しても、毒性関連指標の最大4桁の変異が生じる。
このデータベースのミスマッチ現象は、以前の研究で既に特定されており、電子機器の分野における環境への影響をよりよく理解し、検討し、議論し、気候変動の指標を超えている。
関連論文リスト
- Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。
この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。
これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。
本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
論文 参考訳(メタデータ) (2023-11-28T15:09:36Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳(メタデータ) (2023-02-16T18:35:00Z) - High Resolution Modeling and Analysis of Cryptocurrency Mining's Impact
on Power Grids: Carbon Footprint, Reliability, and Electricity Price [2.285928372124628]
本稿では, テキサスグリッドの炭素フットプリント, グリッド信頼性, 電力市場価格に対する負荷の3要素的影響について検討する。
マイニング負荷の柔軟性は、電力不足や市場の混乱を著しく軽減できることを示す。
論文 参考訳(メタデータ) (2022-12-29T06:30:22Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳(メタデータ) (2022-11-03T17:13:48Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-10T17:04:04Z) - Fault Detection for Non-Condensing Boilers using Simulated Building
Automation System Sensor Data [0.0]
建設性能はコミッショニング後に著しく低下し、エネルギー消費が増加し、温室効果ガスが排出される。
既存のセンサネットワークとIoTデバイスを使用した継続的なコミッショニングは、この無駄を最小限にする可能性がある。
ボイラ性能研究のレビューは, 共通の欠陥と劣化した性能条件のセットの開発に用いられている。
このデータは、K-アネレスト、決定木、ランダムフォレスト、サポートベクトルマシンを用いた断層分類のトレーニングとテストに使用される。
論文 参考訳(メタデータ) (2022-05-13T18:47:16Z) - Domain Knowledge Aids in Signal Disaggregation; the Example of the
Cumulative Water Heater [68.8204255655161]
住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。
本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。
我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
論文 参考訳(メタデータ) (2022-03-22T10:39:19Z) - Ethereum Emissions: A Bottom-up Estimate [1.14219428942199]
PoWエコシステムは、大量の計算能力を必要とする分散グローバルなコンピュータネットワークによって維持された。
ネットワークのエネルギー利用と排出に関するこれまでの研究は、トップダウンの経済分析と、ハードウェア効率と排出要因の粗悪な見積もりに依存してきた。
本研究では, ハッシュレートからエネルギー使用量推定, 採掘場所から排出要因推定まで, ボトムアップ分析を行う。
論文 参考訳(メタデータ) (2021-11-19T11:05:48Z) - Assessing the embodied carbon footprint of IoT edge devices with a
bottom-up life-cycle approach [1.7042264000899534]
我々は,IoTエッジデバイスのクレードル・トゥ・ゲートカーボンフットプリントを評価するためのハードウェアプロファイルに基づくフレームワークを提案する。
マクロ分析により,世界規模のIoTエッジデバイスの生産によって引き起こされる絶対炭素フットプリントを推定する。
配置シナリオによっては、2027年には22から522MtCO2-eq/年となる。
論文 参考訳(メタデータ) (2021-05-05T14:29:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。