論文の概要: Uncertainty-Aware Decarbonization for Datacenters

• arxiv url: http://arxiv.org/abs/2407.02390v1
• Date: Tue, 2 Jul 2024 16:04:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 14:46:41.843825
• Title: Uncertainty-Aware Decarbonization for Datacenters
• Title（参考訳）: データセンターの不確実性を考慮した脱炭
• Authors: Amy Li, Sihang Liu, Yi Ding,
• Abstract要約: 時間と空間の2種類の不確実性を特定し解析する。 本研究では,不確実性を定量化する上での時間的ダイナミクスに対処するための共形予測に基づくフレームワークを提案する。 本研究では,時間的および空間的負荷シフトに着目して,生産電力トレースを用いた2つのケーススタディを行う。
• 参考スコア（独自算出の注目度）: 3.3710889580795538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper represents the first effort to quantify uncertainty in carbon intensity forecasting for datacenter decarbonization. We identify and analyze two types of uncertainty -- temporal and spatial -- and discuss their system implications. To address the temporal dynamics in quantifying uncertainty for carbon intensity forecasting, we introduce a conformal prediction-based framework. Evaluation results show that our technique robustly achieves target coverages in uncertainty quantification across various significance levels. We conduct two case studies using production power traces, focusing on temporal and spatial load shifting respectively. The results show that incorporating uncertainty into scheduling decisions can prevent a 5% and 14% increase in carbon emissions, respectively. These percentages translate to an absolute reduction of 2.1 and 10.4 tons of carbon emissions in a 20 MW datacenter cluster.
• Abstract（参考訳）: 本論文は, データセンター脱炭のための炭素強度予測の不確かさを定量化するための最初の試みである。 我々は、時間的および空間的な2つの不確実性を特定し、分析し、システム含意について議論する。 炭素強度予測の不確かさの定量化における時間的ダイナミクスに対処するために,共形予測に基づく枠組みを導入する。 評価結果から, 本手法は, 種々の意義レベルにわたる不確実性定量化において, 対象範囲を頑健に達成できることが示唆された。 生産電力トレースを用いた2つのケーススタディを行い,時間的および空間的負荷シフトに着目した。 その結果, スケジュール決定に不確実性を導入することで, それぞれ5%と14%の二酸化炭素排出量の増加を防止できることがわかった。 これらの割合は20MWのデータセンターで2.1トンと10.4トンの炭素排出量を絶対的に減少させる。

関連論文リスト

• Enhancing Robustness Of Digital Shadow For CO2 Storage Monitoring With Augmented Rock Physics Modeling [0.276240219662896]
  時間ラプス地震イメージングはCO2の移動を追跡するのに不可欠であるが、多相下流の複雑さを捉えるのにしばしば苦労する。 非線形ベイズフィルタリングや生成AIといった機械学習駆動のデータ同化技術を活用するDigital Shadows(DS)は、より詳細で不確実性を認識した監視アプローチを提供する。 本研究では,様々な岩石物理モデルによる予測アンサンブルの増大が誤った仮定の影響を緩和し,予測精度を向上させることを示す。
  論文  参考訳（メタデータ） (2025-02-11T01:33:35Z)
• Improving Power Plant CO2 Emission Estimation with Deep Learning and Satellite/Simulated Data [0.0]
  発電所からのCO2排出は、重要なスーパーエミッターとして、地球温暖化に大きく貢献する。 本研究では、Sentinel-5PからのNO2データの統合、連続したXCO2マップの生成、OCO-2/3からの実際の衛星観測をデータスカース領域における71以上の発電所に組み込むことにより、利用可能なデータセットを拡張することによる課題に対処する。
  論文  参考訳（メタデータ） (2025-02-04T08:05:15Z)
• A method for estimating forest carbon storage distribution density via artificial intelligence generated content model [0.0]
  我々は、GF-1 WFV衛星画像をデータとして、初期特徴を抽出するためにKD-VGGモジュールを導入し、改良された暗黙拡散モデル(IIDM)を提案した。 今回提案したIIDMモデルは, RMSEが28.68であり, 回帰モデルよりも13.16, 約31.45%高かった。 炭素貯蔵量の推定において, 生成モデルはより深い特徴を抽出でき, 性能は他のモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-02-02T12:41:47Z)
• Optimizing Carbon Footprint in ICT through Swarm Intelligence with Algorithmic Complexity [0.0]
  2022年、化石燃料の燃焼とセメント生産による地球規模の排出が記録され、パンデミック前の水準への回復が示唆された。 このことは、ICT内の炭素フットプリントを測定し最適化するために、Swarm Intelligenceアプリケーションをさらに探究する必要があることを示している。
  論文  参考訳（メタデータ） (2025-01-20T02:34:55Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• 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)
• Towards a Systematic Survey for Carbon Neutral Data Centers [23.339102377319833]
  データセンターは大規模なエネルギー消費のため、炭素集約型企業である。 データセンター産業は2030年までに世界の二酸化炭素排出量の8%を占めると見積もられている。 本研究は, 政策指標と技術方法論の両方を考慮した, 炭素中性データセンターへのロードマップを提案する。
  論文  参考訳（メタデータ） (2021-10-15T09:24:15Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。