論文の概要: CarbonX: An Open-Source Tool for Computational Decarbonization Using Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2510.01521v1
• Date: Wed, 01 Oct 2025 23:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.901295
• Title: CarbonX: An Open-Source Tool for Computational Decarbonization Using Time Series Foundation Models
• Title（参考訳）: CarbonX: 時系列基礎モデルを用いた計算脱炭用オープンソースツール
• Authors: Diptyaroop Maji, Kang Yang, Prashant Shenoy, Ramesh K Sitaraman, Mani Srivastava,
• Abstract要約: CarbonXは、炭素強度の予測と計算のためのオープンソースのツールである。 平均絶対パーセンテージ誤差(MAPE)は世界214のグリッドで15.82%とゼロショットで予測されている。 13のベンチマークグリッドで、CarbonXのパフォーマンスは現在の最先端に匹敵する。
• 参考スコア（独自算出の注目度）: 5.5014759378304605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational decarbonization aims to reduce carbon emissions in computing and societal systems such as data centers, transportation, and built environments. This requires accurate, fine-grained carbon intensity forecasts, yet existing tools have several key limitations: (i) they require grid-specific electricity mix data, restricting use where such information is unavailable; (ii) they depend on separate grid-specific models that make it challenging to provide global coverage; and (iii) they provide forecasts without uncertainty estimates, limiting reliability for downstream carbon-aware applications. In this paper, we present CarbonX, an open-source tool that leverages Time Series Foundation Models (TSFMs) for a range of decarbonization tasks. CarbonX utilizes the versatility of TSFMs to provide strong performance across multiple tasks, such as carbon intensity forecasting and imputation, and across diverse grids. Using only historical carbon intensity data and a single general model, our tool achieves a zero-shot forecasting Mean Absolute Percentage Error (MAPE) of 15.82% across 214 grids worldwide. Across 13 benchmark grids, CarbonX performance is comparable with the current state-of-the-art, with an average MAPE of 9.59% and tail forecasting MAPE of 16.54%, while also providing prediction intervals with 95% coverage. CarbonX can provide forecasts for up to 21 days with minimal accuracy degradation. Further, when fully fine-tuned, CarbonX outperforms the statistical baselines by 1.2--3.9X on the imputation task. Overall, these results demonstrate that CarbonX can be used easily on any grid with limited data and still deliver strong performance, making it a practical tool for global-scale decarbonization.
• Abstract（参考訳）: 計算脱炭(Computational decarbonization)は、データセンター、交通機関、建設環境など、コンピューティングや社会システムにおける二酸化炭素排出量を減らすことを目的としている。 これは正確できめ細かい炭素強度予測を必要とするが、既存のツールにはいくつかの重要な制限がある。 一 グリッド固有の電力混合データが必要で、そのような情報が利用できない場合に限る。 (II)グローバルなカバレッジの提供を困難にしているグリッド固有のモデルに依存しています。 三 下流のカーボンアウェアアプリケーションに対する信頼性を制限し、不確実性のない予測を提供する。 本稿では,時系列ファンデーションモデル(TSFM)を多種多様な脱炭タスクに活用するオープンソースツールであるCarbonXを提案する。 CarbonX は TSFM の汎用性を利用して、炭素強度の予測や計算、多種多様なグリッドでの強い性能を提供する。 歴史的炭素強度データと1つの一般モデルのみを用いて、世界中の214のグリッドで平均絶対パーセンテージ誤差(MAPE)をゼロショットで予測する。 13のベンチマークグリッドで、CarbonXのパフォーマンスは現在の最先端と同等であり、平均MAPEは9.59%、尾部予測MAPEは16.54%、予測インターバルは95%である。 CarbonXは、最大21日間の予測を、最小限の精度の劣化で提供できる。 さらに、完全に微調整された場合、CarbonXは計算タスクにおいて統計ベースラインを1.2--3.9Xで上回る。 これらの結果から,CarbonXは限られたデータしか持たないグリッドでも容易に利用でき,高い性能が得られることが示され,グローバルスケールの脱炭のための実用的なツールとなった。

関連論文リスト

• Green Federated Learning via Carbon-Aware Client and Time Slot Scheduling [8.491852197957849]
  大規模な機械学習モデルのトレーニングは、かなりの二酸化炭素排出量を発生させる。 本稿では,炭素を意識したクライアント選択とトレーニングスケジューリングによるフェデレート学習の排出削減について検討する。
  論文  参考訳（メタデータ） (2025-09-10T20:24:26Z)
• CarboFormer: A Lightweight Semantic Segmentation Architecture for Efficient Carbon Dioxide Detection Using Optical Gas Imaging [4.567122178196833]
  二酸化炭素排出量(CO$$)は、環境影響と産業プロセスの両方の重要な指標である。 光ガスイメージング(OGI)のための軽量セマンティックセグメンテーションフレームワークCarboFormerを紹介する。 提案手法は,最適化エンコーダデコーダアーキテクチャと,特殊なマルチスケール機能融合と補助監視戦略を統合したものである。
  論文  参考訳（メタデータ） (2025-05-23T18:01:42Z)
• Carbon- and Precedence-Aware Scheduling for Data Processing Clusters [10.676357280358886]
  データ処理のための炭素対応スケジューリングは、時間的変化のある炭素と優先順位の制約の両方の知識から恩恵を受けることを示す。 このスケジューラは, 炭素削減時間と仕事完了時間の間に優先順位を付与し, 両者のトレードオフを特徴付ける分析結果を与える。 100ノードクラスタ上のSparkプロトタイプは、$texttPCAPS$の適度な設定によって、クラスタ全体の効率に大きな影響を与えることなく、炭素フットプリントを最大32.9%削減できることを示している。
  論文  参考訳（メタデータ） (2025-02-13T19:06:10Z)
• Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
  ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている 本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。 本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
  論文  参考訳（メタデータ） (2024-04-28T05:46:28Z)
• LACS: Learning-Augmented Algorithms for Carbon-Aware Resource Scaling with Uncertain Demand [1.423958951481749]
  本稿では,未知の作業時間(OCSU)を用いたオンラインCO_2-Awareリソーススケーリング問題について検討する。 我々は,論理的に堅牢な学習拡張アルゴリズムであるLACSを提案し,OCSUを解く。 LACSは、納期を意識した炭素に依存しない作業と比較して、炭素フットプリントの32%の削減を実現している。
  論文  参考訳（メタデータ） (2024-03-29T04:54:22Z)
• 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)
• 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)
• 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)
• Optimizing carbon tax for decentralized electricity markets using an agent-based model [69.3939291118954]
  人為的気候変動の影響を避けるためには、化石燃料から低炭素技術への移行が必要である。 炭素税は、この移行を支援する効率的な方法であることが示されている。 NSGA-IIの遺伝的アルゴリズムを用いて、電力混合の平均電気価格と相対炭素強度を最小化する。
  論文  参考訳（メタデータ） (2020-05-28T06:54:43Z)

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。