論文の概要: AI Meets Natural Hazard Risk: A Nationwide Vulnerability Assessment of Data Centers to Natural Hazards and Power Outages

• arxiv url: http://arxiv.org/abs/2501.14760v1
• Date: Tue, 24 Dec 2024 00:01:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 06:21:31.880589
• Title: AI Meets Natural Hazard Risk: A Nationwide Vulnerability Assessment of Data Centers to Natural Hazards and Power Outages
• Title（参考訳）: AIがナチュラルハザードリスクに直面する - ナチュラルハザードと停電に対するデータセンタの全国的脆弱性評価
• Authors: Miguel Esparza, Bo Li, Junwei Ma, Ali Mostafavi,
• Abstract要約: 本研究は,米国における全国規模のDCの脆弱性評価を行うことを目的とする。 研究によると、ディスラプションの不可避な領域にあるDCは、かなりの割合にあることがわかった。 地震、ハリケーン、竜巻は、脆弱な地域では最も直流である。
• 参考スコア（独自算出の注目度）: 7.883500674930901
• License:
• Abstract: Our society is on the verge of a revolution powered by Artificial Intelligence (AI) technologies. With increasing advancements in AI, there is a growing expansion in data centers (DCs) serving as critical infrastructure for this new wave of technologies. This technological wave is also on a collision course with exacerbating climate hazards which raises the need for evaluating the vulnerability of DCs to various hazards. Hence, the objective of this research is to conduct a nationwide vulnerability assessment of (DCs) in the United States of America (USA). DCs provide such support; however, if an unplanned disruption (like a natural hazard or power outage) occurs, the functionality of DCs are in jeopardy. Unplanned downtime in DCs cause severe economic and social repercussions. With the Local Indicator of Spatial Association (LISA) test, the research found that there are a large percentage of DCs that are in non-vulnerable areas of disruption; however, there is still a notable percentage in disruption prone areas. For example, earthquakes, hurricanes, and tornadoes have the most DCs in vulnerable areas. After identifying these vulnerabilities, the research identified areas within the USA that have minimal vulnerabilities to both the aforementioned natural hazards and power outages with the BI-LISA test. After doing a composite vulnerability score on the Cold-Spots from the BILISA analysis, the research found three counties with the low vulnerability scores. These are Koochiching, Minnesota (0.091), Schoolcraft, Michigan (0.095), and Houghton, Michigan (0.096).
• Abstract（参考訳）: 私たちの社会は、人工知能(AI)技術を活用した革命の渦中にあります。 AIの進歩に伴い、データセンター(DC)が拡大し、この新しいテクノロジーの波における重要な基盤となっている。 この技術的波動は、様々な危険に対するDCの脆弱性を評価する必要性を高めるために、さらに悪化する気候の危険性と衝突している。 したがって,本研究の目的は,米国において全国的なDCの脆弱性評価を行うことである。 DCはそのような支援を提供するが、計画外の破壊(自然災害や停電など)が発生した場合、DCの機能は危険にさらされる。 ワシントンD.C.の未計画のダウンタイムは、経済と社会に深刻な影響をもたらす。 ローカル・インジケータ・オブ・スペース・アソシエーション(LISA)テストでは、非破壊的な領域にDCが多数存在するが、破壊性のある領域にはまだ顕著な割合がある。 例えば、地震、ハリケーン、竜巻は、脆弱な地域で最も直流が強い。 これらの脆弱性を特定した研究は、前述の自然災害とBI-LISAテストによる停電の両方に最小限の脆弱性がある米国内の地域を特定した。 BILISA分析からCold-Spotsの複合的脆弱性スコアが得られた後、調査では脆弱性スコアが低い3つの郡が見つかった。 州内にはミネソタ州クーチチン(0.091)、ミシガン州スクールクラフト(0.095)、ミシガン州ホートン(0.096)がある。

関連論文リスト

• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 ジェネレータはGAN(Generative Adversarial Network)に依存しており、ジェネレータは不安定なデータを生成するために訓練される。 我々の解は、実世界の安定と不安定なサンプルからなるデータセットでテストされ、格子安定性の予測において最大97.5%、敵攻撃の検出において最大98.9%の精度を達成する。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Establishing Nationwide Power System Vulnerability Index across US Counties Using Interpretable Machine Learning [7.883500674930901]
  2014年から2023年までの3022郡の15分間隔で179万の停電記録を収集しました。 筆者らは,3次元(強度,周波数,持続時間)に基づく電力系統脆弱性評価フレームワークを開発し,分析可能な機械学習モデル(XGBoostとSHAP)を用いて,郡レベルでの電力系統脆弱性指数(PSVI)を算出した。 我々は45州にまたがる318の郡を、特に西海岸(カリフォルニアとワシントン)、東海岸(フロリダと北東部)、五大湖のメガロポリス(シカゴとデトロイトの大都市圏)、および高電力システムの脆弱性のホットスポットとして特定した。
  論文  参考訳（メタデータ） (2024-10-11T06:37:05Z)
• Building Damage Assessment in Conflict Zones: A Deep Learning Approach Using Geospatial Sub-Meter Resolution Data [9.146968506196446]
  我々は,ウクライナのマリプオール市における,紛争前の画像と紛争後の画像を用いた注釈付きデータセットを構築した。 次に、ゼロショットおよび学習シナリオの両方において、CNNモデルの転送可能性について検討する。 これは、サブメートル分解能画像を用いて戦闘帯の建物損傷を評価する最初の研究である。
  論文  参考訳（メタデータ） (2024-10-07T07:26:38Z)
• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Control Risk for Potential Misuse of Artificial Intelligence in Science [85.91232985405554]
  我々は、科学におけるAI誤用の危険性の認識を高めることを目的としている。 化学科学における誤用の実例を取り上げる。 我々は、科学におけるAIモデルの誤用リスクを制御するSciGuardというシステムを提案する。
  論文  参考訳（メタデータ） (2023-12-11T18:50:57Z)
• AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
  本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。 我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。 我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
  論文  参考訳（メタデータ） (2023-09-03T03:37:04Z)
• Artificial Intelligence and Innovation to Reduce the Impact of Extreme Weather Events on Sustainable Production [1.290382979353427]
  極度の天候の予測不可能は 持続可能な生産と 陸地での生活を危険にさらす AI(Artificial Intelligent)、IoT(Internet of Things)、ブロックチェーン(ブロックチェーン)、3Dプリンティング(3Dプリンティング)、バーチャルおよび拡張現実(VRとAR)といった現代技術は、極端な天候のリスクと影響を減らすことを約束している。 しかし、これらの技術がどのように極端な気象の影響を減らすのに役立つかについての研究の方向性は明らかになっていない。
  論文  参考訳（メタデータ） (2022-09-21T06:52:39Z)
• Proceedings of the Artificial Intelligence for Cyber Security (AICS) Workshop at AAAI 2022 [55.573187938617636]
  ワークショップは、サイバーセキュリティの問題へのAIの適用に焦点を当てる。 サイバーシステムは大量のデータを生成し、これを効果的に活用することは人間の能力を超えます。
  論文  参考訳（メタデータ） (2022-02-28T18:27:41Z)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)
• pAElla: Edge-AI based Real-Time Malware Detection in Data Centers [19.967347450443803]
  我々は、高解像度電力消費におけるAI駆動エッジコンピューティングを含むDC/SCのセキュリティを高めるための新しいアプローチについて報告する。 pAEllaと呼ばれるこの方法は、リアルタイムマルウェア検出(MD)をターゲットにしており、DC/SC用のアウトオブバンドIoTベースの監視システムで動作し、電力測定のパワースペクトル密度を含む。 F1スコアは1に近づき、False AlarmとMalware Missは0%に近づいた。
  論文  参考訳（メタデータ） (2020-04-07T19:48:57Z)

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。