論文の概要: FM-CAC: Carbon-Aware Control for Battery-Buffered Edge AI via Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2604.16448v1
• Date: Tue, 07 Apr 2026 17:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.009197
• Title: FM-CAC: Carbon-Aware Control for Battery-Buffered Edge AI via Time-Series Foundation Models
• Title（参考訳）: FM-CAC: 時系列基礎モデルによる電池バッファエッジAIのカーボンアウェア制御
• Authors: Kang Yang, Walid A. Hanafy, Prashant Shenoy, Mani Srivastava,
• Abstract要約: エッジAIデプロイメントは、常時稼働し、リアルタイム複合AIパイプラインを実行する数十億のデバイスにスケールする。 本稿では,電池をアクティブ時間バッファとして活用する能動的炭素認識制御フレームワークFM-CACを提案する。 その結果、FM-CACは最大に近い推定精度を維持しながら、二酸化炭素排出量を最大65.6%削減することがわかった。
• 参考スコア（独自算出の注目度）: 4.9890124441309185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As edge AI deployments scale to billions of devices running always-on, real-time compound AI pipelines, they represent a massive and largely unmanaged source of energy consumption and carbon emissions. To reduce carbon emissions while maximizing Quality-of-Service (QoS), this paper proposes FM-CAC, a proactive carbon-aware control framework that leverages a battery as an active temporal buffer. By decoupling energy acquisition from energy consumption, FM-CAC can maximize the use of low-carbon energy, substantially reducing carbon emissions. At each control step, FM-CAC jointly optimizes the software pipeline variant, the hardware operating point, and the battery charging and discharging actions. To support this decision process, FM-CAC leverages edge-friendly Time-Series Foundation Models (TSFMs) for zero-shot carbon forecasting and integrates these forecasts into a dynamic programming solver with deferred cost attribution to prevent myopic battery depletion. Results show that FM-CAC reduces carbon emissions by up to 65.6% while maintaining near-maximum inference accuracy.
• Abstract（参考訳）: エッジAIのデプロイメントが、常時稼働し、リアルタイムに複合AIパイプラインを実行する数十億のデバイスにスケールするにつれ、エネルギー消費と二酸化炭素排出量の巨大な、ほとんど管理されていない源が示される。 QoS(Quality-of-Service)を最大化しながら炭素排出量を削減するため,電池をアクティブ時間バッファとして活用する能動的炭素認識制御フレームワークFM-CACを提案する。 エネルギー消費からエネルギーを取得することで、FM-CACは低炭素エネルギーの使用を最大化し、二酸化炭素排出量を大幅に削減することができる。 各制御ステップでは、FM-CACはソフトウェアパイプライン変種、ハードウェア動作点、バッテリー充電および放電動作を共同で最適化する。 この決定プロセスを支援するため、FM-CACはゼロショットカーボン予測にエッジフレンドリーな時系列基礎モデル(TSFM)を活用し、これらの予測を遅延コストの帰結を持つ動的プログラミング解決器に統合し、筋電電池の劣化を防ぐ。 その結果、FM-CACは最大に近い推定精度を維持しながら、二酸化炭素排出量を最大65.6%削減することがわかった。

関連論文リスト

• CarbonCall: Sustainability-Aware Function Calling for Large Language Models on Edge Devices [0.44784055850794474]
  大規模言語モデル(LLM)は、エッジAIシステムでのリアルタイム関数呼び出しを可能にするが、計算オーバーヘッドが大幅に増加し、高消費電力と二酸化炭素排出量につながる。 持続可能な機能呼び出しフレームワークであるCarbonCallを導入し、動的ツールの選択、炭素認識の実行、量子化適応を統合した。 NVIDIA Jetson AGX Orinの実験によると、CarbonCallは炭素排出量を最大52%削減し、消費電力を30%削減し、実行時間を30%削減し、高い効率を維持している。
  論文  参考訳（メタデータ） (2025-04-29T01:37:08Z)
• Towards net-zero manufacturing: carbon-aware scheduling for GHG emissions reduction [0.0]
  スコープ2エミッションは、グリッド電力の生産と消費に関連する間接的なエミッションである。 本研究では, スコープ2の排出削減を目的とした, 炭素を意識したフローショップスケジューリングモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-03T09:06:54Z)
• Carbon Market Simulation with Adaptive Mechanism Design [55.25103894620696]
  炭素市場(英: carbon market)は、個人の利益をグローバルユーティリティーと整合させる経済エージェントをインセンティブとする、市場ベースのツールである。 階層型モデルフリーマルチエージェント強化学習(MARL)を用いて市場をシミュレートする適応機構設計フレームワークを提案する。 MARLは、政府エージェントが生産性、平等、二酸化炭素排出のバランスをとることができることを示している。
  論文  参考訳（メタデータ） (2024-06-12T05:08:51Z)
• 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)
• Carbon Footprint Reduction for Sustainable Data Centers in Real-Time [2.794742330785396]
  本稿では, 炭素フットプリント削減, エネルギー消費, エネルギーコストの目的のために, データセンターを最適化するための多エージェント強化学習(MARL)フレームワークを提案する。 その結果,DC-CFR MARLエージェントは実世界の動的気象条件やグリッド炭素強度条件下での様々な場所での冷却,負荷シフト,エネルギー貯蔵の最適化において,複雑な相互依存性を効果的に解決した。
  論文  参考訳（メタデータ） (2024-03-21T02:59:56Z)
• 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)
• 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。