論文の概要: A Multi-Objective Optimization Approach for Sustainable AI-Driven Entrepreneurship in Resilient Economies

• arxiv url: http://arxiv.org/abs/2603.08692v1
• Date: Mon, 09 Mar 2026 17:54:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.695106
• Title: A Multi-Objective Optimization Approach for Sustainable AI-Driven Entrepreneurship in Resilient Economies
• Title（参考訳）: レジリエンスエコノミーにおける持続可能なAI駆動型起業家育成のための多目的最適化手法
• Authors: Anas ALsobeh, Raneem Alkurdi,
• Abstract要約: 本研究では,AIデプロイメントの持続可能性のメリットを最大化するために設計された多目的最適化アプローチであるEcoAI-Resilienceフレームワークを紹介する。 このフレームワークは、サステナビリティ・インパクト、経済回復力の向上、環境コストの最小化という3つの重要な目標に対処する。 このフレームワークは、100%再生可能エネルギーの統合、80%の効率改善目標、そして一人当たり202.48の最適投資レベルを含む最適なAIデプロイメント戦略をうまく識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of artificial intelligence (AI) technologies presents both unprecedented opportunities and significant challenges for sustainable economic development. While AI offers transformative potential for addressing environmental challenges and enhancing economic resilience, its deployment often involves substantial energy consumption and environmental costs. This research introduces the EcoAI-Resilience framework, a multi-objective optimization approach designed to maximize the sustainability benefits of AI deployment while minimizing environmental costs and enhancing economic resilience. The framework addresses three critical objectives through mathematical optimization: sustainability impact maximization, economic resilience enhancement, and environmental cost minimization. The methodology integrates diverse data sources, including energy consumption metrics, sustainability indicators, economic performance data, and entrepreneurship outcomes across 53 countries and 14 sectors from 2015-2024. Our experimental validation demonstrates exceptional performance with R scores exceeding 0.99 across all model components, significantly outperforming baseline methods, including Linear Regression (R = 0.943), Random Forest (R = 0.957), and Gradient Boosting (R = 0.989). The framework successfully identifies optimal AI deployment strategies featuring 100\% renewable energy integration, 80% efficiency improvement targets, and optimal investment levels of $202.48 per capita. Key findings reveal strong correlations between economic complexity and resilience (r = 0.82), renewable energy adoption and sustainability outcomes (r = 0.71), and demonstrate significant temporal improvements in AI readiness (+1.12 points/year) and renewable energy adoption (+0.67 year) globally.
• Abstract（参考訳）: 人工知能(AI)技術の急速な進歩は、持続的な経済発展のための前例のない機会と重要な課題の両方を提示する。 AIは環境問題に対処し、経済的レジリエンスを高めるための変革的なポテンシャルを提供するが、その展開にはエネルギー消費と環境コストが伴うことが多い。 本研究は,環境コストを最小化し,経済的なレジリエンスを高めるとともに,AIデプロイメントの持続可能性のメリットを最大化するために設計された多目的最適化アプローチであるEcoAI-Resilienceフレームワークを紹介する。 このフレームワークは、持続可能性の最大化、経済回復力の向上、環境コストの最小化という3つの重要な目標に対処する。 この方法論は、エネルギー消費指標、サステナビリティ指標、経済パフォーマンスデータ、2015年から2024年までの53か国14か国にわたる起業実績など、さまざまなデータソースを統合している。 実験による検証では, 線形回帰 (R = 0.943), ランダムフォレスト (R = 0.957), グラディエントブースティング (R = 0.989) など, モデル全体のスコアが0.99を超える異常な性能を示した。 このフレームワークは、100%再生可能エネルギーの統合、80%の効率改善目標、そして一人当たり202.48の最適投資レベルを含む最適なAIデプロイメント戦略をうまく識別する。 主要な発見は、経済の複雑さとレジリエンス(r = 0.82)、再生可能エネルギーの導入と持続可能性(r = 0.71)の間に強い相関関係を示し、AIの準備性(+1.12ポイント/年)と再生可能エネルギーの導入(+0.67年)の時間的改善を示す。

関連論文リスト

• AutoForge: Automated Environment Synthesis for Agentic Reinforcement Learning [71.4322853508083]
  シミュレーション環境における強化学習の実施は、言語ベースのエージェントを強化するためのコスト効率が高く、スケーラブルな方法を提供する。 これまでの作業は、半自動化された環境合成や、十分な困難を欠いたタスクに限られており、幅や深さがほとんどない。 本稿では,高難易度かつ容易に検証可能なタスクに関連付けられたシミュレーション環境の,自動化されたスケーラブルな合成のための統一パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-28T09:43:11Z)
• Improving AI Efficiency in Data Centres by Power Dynamic Response [74.12165648170894]
  近年、人工知能(AI)の着実に成長が加速し、洗練されたモデルの開発が進められている。 AIの潜在能力を最大限に活用するためには、堅牢で信頼性の高い電力インフラの確保が不可欠だ。 しかし、AIデータセンターは電力に非常に飢えており、彼らの電力管理の問題が注目されている。
  論文  参考訳（メタデータ） (2025-10-13T08:08:21Z)
• SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
  自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。 本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-06-26T18:00:07Z)
• Open and Sustainable AI: challenges, opportunities and the road ahead in the life sciences (October 2025 -- Version 2) [49.142289900583705]
  我々は、AI研究成果に対する信頼の侵食の増加についてレビューする。 我々は、AIエコシステムの断片化されたコンポーネントと、OpenとSustainable AIを最大限にサポートするためのガイドパスの欠如について論じる。 私たちの研究は、研究者と関連するAIリソースを結びつけることで、持続可能な、再利用可能な、透過的なAIの実装を容易にします。
  論文  参考訳（メタデータ） (2025-05-22T12:52:34Z)
• Energy-Efficient Green AI Architectures for Circular Economies Through Multi-Layered Sustainable Resource Optimization Framework [0.0]
  我々は、最先端の機械学習アルゴリズム、エネルギーを意識した計算モデル、最適化技術を統合する多層フレームワークとメタアーキテクチャを導入する。 リチウムイオン電池のリサイクルと都市ごみ管理システムによる実世界のデータセットを用いて,本フレームワークを検証した。
  論文  参考訳（メタデータ） (2025-03-28T16:09:43Z)
• Role of AI Innovation, Clean Energy and Digital Economy towards Net Zero Emission in the United States: An ARDL Approach [0.0]
  本稿は,1990年から2022年までの米国における,AIイノベーション,GDP成長,再生可能エネルギー利用,デジタル経済,産業化がCO2排出量に与える影響について検討する。 その結果、AIの革新、再生可能エネルギー利用、デジタル経済はCO2排出量を削減し、GDPの拡大と工業化は生態系の被害を増大させる。
  論文  参考訳（メタデータ） (2025-03-24T16:32:24Z)
• A Survey of Sustainability in Large Language Models: Applications, Economics, and Challenges [0.7889270818022226]
  大規模言語モデル(LLM)は、自然言語理解、生成、推論の高度な機能を提供することによって、多くのドメインを変換している。 研究、医療、クリエイティビティ・メディアといった業界にまたがる、画期的な応用にもかかわらず、彼らの急速な採用は持続可能性に関する重要な懸念を提起する。 本研究では, LLMの環境, 経済, 計算的課題について検討し, データセンターのエネルギー消費, 炭素排出量, 資源利用に着目した。
  論文  参考訳（メタデータ） (2024-12-06T05:20:04Z)
• 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)
• Building Energy Efficiency through Advanced Regression Models and Metaheuristic Techniques for Sustainable Management [3.6811136816751513]
  この研究は、建設インフラからの広範な生データを活用して、エネルギー消費パターンを明らかにする。 ラッソ回帰, 決定木, ランダムフォレストモデルを用いて, 建物のエネルギー効率とコスト削減に影響を与える要因について検討した。 メタヒューリスティックな手法を用いて決定木アルゴリズムを改良し,予測精度を向上する。
  論文  参考訳（メタデータ） (2023-05-15T01:21:42Z)
• Learning to Plan Optimistically: Uncertainty-Guided Deep Exploration via Latent Model Ensembles [73.15950858151594]
  本稿では,不確実な長期報酬に直面した最適化による深層探査を可能にするLOVE(Latent Optimistic Value Exploration)を提案する。 潜在世界モデルと値関数推定を組み合わせ、無限水平リターンを予測し、アンサンブルにより関連する不確実性を回復する。 連続行動空間における視覚ロボット制御タスクにLOVEを適用し、最先端や他の探査目標と比較して、平均20%以上のサンプル効率の改善を実証する。
  論文  参考訳（メタデータ） (2020-10-27T22:06:57Z)

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。