論文の概要: SpiderGen: Towards Procedure Generation For Carbon Life Cycle Assessments with Generative AI

• arxiv url: http://arxiv.org/abs/2511.10684v2
• Date: Tue, 18 Nov 2025 18:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.653209
• Title: SpiderGen: Towards Procedure Generation For Carbon Life Cycle Assessments with Generative AI
• Title（参考訳）: SpiderGen: 生成AIによる炭素ライフサイクルアセスメントの手順生成を目指す
• Authors: Anupama Sitaraman, Bharathan Balaji, Yuvraj Agarwal,
• Abstract要約: 我々はLCA(Life Cycle Assessments)の分類と方法論を統合したLCMベースのワークフローであるSpiderGenを提案する。 SpiderGenは、PCR PFG(Product Category Rules Process Flow Graphs)として知られるLCAで使用される重要な手続き情報のグラフィカルな表現を生成する。 SpiderGenは正確なLCAプロセス情報を提供し、完全に正しいか小さなエラーがあり、10つのサンプルデータポイントでF1スコアを65%達成している。
• 参考スコア（独自算出の注目度）: 5.927253685381674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Investigating the effects of climate change and global warming caused by GHG emissions have been a key concern worldwide. These emissions are largely contributed to by the production, use and disposal of consumer products. Thus, it is important to build tools to estimate the environmental impact of consumer goods, an essential part of which is conducting Life Cycle Assessments (LCAs). LCAs specify and account for the appropriate processes involved with the production, use, and disposal of the products. We present SpiderGen, an LLM-based workflow which integrates the taxonomy and methodology of traditional LCA with the reasoning capabilities and world knowledge of LLMs to generate graphical representations of the key procedural information used for LCA, known as Product Category Rules Process Flow Graphs (PCR PFGs). We additionally evaluate the output of SpiderGen by comparing it with 65 real-world LCA documents. We find that SpiderGen provides accurate LCA process information that is either fully correct or has minor errors, achieving an F1-Score of 65% across 10 sample data points, as compared to 53% using a one-shot prompting method. We observe that the remaining errors occur primarily due to differences in detail between LCA documents, as well as differences in the "scope" of which auxiliary processes must also be included. We also demonstrate that SpiderGen performs better than several baselines techniques, such as chain-of-thought prompting and one-shot prompting. Finally, we highlight SpiderGen's potential to reduce the human effort and costs for estimating carbon impact, as it is able to produce LCA process information for less than \$1 USD in under 10 minutes as compared to the status quo LCA, which can cost over \$25000 USD and take up to 21-person days.
• Abstract（参考訳）: 気候変動や温暖化による温暖化の影響を調べることは、世界中で重要な関心事となっている。 これらの排出は、主に消費者製品の製造、使用、廃棄に寄与している。 したがって、LCA(Life Cycle Assessments)の実施に欠かせない、消費財の環境影響を推定するツールを構築することが重要である。 LCAは製品の製造、使用、廃棄に関わる適切なプロセスを特定し、説明する。 我々は,従来のLCAの分類と方法論をLCAの推論能力と世界知識と統合して,LCAで使用される重要な手続き情報(PCR PFGs)のグラフィカルな表現を生成する,LCAベースのワークフローであるSpiderGenを提案する。 さらに,実際のLCA文書を65件と比較することにより,SpiderGenの出力を評価する。 SpiderGenは10個のサンプルデータポイントでF1スコアを65%達成し,正確なLCAプロセス情報を提供する。 また,LCA文書間の細部の違いや,補助的なプロセスも含まなければならない「スコープ」の相違から,残りのエラーが主に発生することを観察した。 また、SpiderGenは、チェーン・オブ・シークレット・プロンプトやワンショット・プロンプトなど、いくつかのベースライン技術よりも優れたパフォーマンスを示す。 最後に、SpiderGenがカーボン衝突を推定するための人的労力とコストを削減できる可能性を強調し、LCAプロセス情報を10分以内で1USドル以下で生産できるのに対して、現状のLCAは25,000USドル以上、21人日以上もかかる。

関連論文リスト

• The Carbon Footprint Wizard: A Knowledge-Augmented AI Interface for Streamlining Food Carbon Footprint Analysis [9.596990138649426]
  ライフサイクルアセスメント(LCA)は、定量化とグローバルサプライチェーンによって複雑になる。 本稿では,LCAと一般公開データベースの進歩と知識付加型AI技術を組み合わせた方法論を提案する。 ライブWebデモでは、任意の食品やフォローアップ質問で概念実証システムを紹介します。
  論文  参考訳（メタデータ） (2025-09-09T13:34:06Z)
• Towards Autonomous Sustainability Assessment via Multimodal AI Agents [46.77807327332175]
  電子デバイスのクレードル・トゥ・ゲート二酸化炭素排出量を計算するためのマルチモーダルAIエージェントを導入する。 このアプローチは、専門家時間の数週間から数ヶ月を1分未満に短縮し、データ可用性のギャップを埋める。 炭素フットプリントは専門的なLCAの19%以内であり、プロプライエタリなデータはゼロである。
  論文  参考訳（メタデータ） (2025-07-22T20:49:25Z)
• UFLUX v2.0: A Process-Informed Machine Learning Framework for Efficient and Explainable Modelling of Terrestrial Carbon Uptake [6.997941838401121]
  光合成によって固定された炭素植物の量であるGrossプライマリ生産性は、グローバルな炭素循環と生態系の機能を理解する上で重要な要素である。 生態学的プロセスの知識に基づいて構築されたプロセスベースのモデルは、それらの仮定と近似から生じるバイアスに影響を受けやすい。 本研究では、最先端の生態知識と高度な機械学習技術を統合するプロセスインフォームドモデルであるUFLUX v2.0を提案する。
  論文  参考訳（メタデータ） (2024-10-04T22:28:30Z)
• Carbon Footprint Accounting Driven by Large Language Models and Retrieval-augmented Generation [3.428260237038657]
  従来のライフサイクルアセスメント手法は人間の専門知識に大きく依存しており、ほぼリアルタイムのアップデートを困難にしている。 本稿では,大規模言語モデル(LLM)と検索拡張生成技術を統合し,炭素フットプリント情報検索と分析のリアルタイム,専門的,経済的な側面を強化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-19T06:05:24Z)
• Exploring the Carbon Footprint of Hugging Face's ML Models: A Repository Mining Study [8.409033836300761]
  この研究には、炭素排出量に関するHugging Face Hub APIに関する最初のリポジトリマイニング研究が含まれている。 本研究は,(1)MLモデル作成者がHugging Face Hub上でどのように二酸化炭素を計測し,報告するか,(2)トレーニングMLモデルの二酸化炭素排出量にどのような影響があるのか,という2つの研究課題に答えようとしている。
  論文  参考訳（メタデータ） (2023-05-18T17:52:58Z)
• 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)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• 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)

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。