論文の概要: Certificates without Electrons? Theory and Evidence on Impacts from AI-Driven Power Demand

• arxiv url: http://arxiv.org/abs/2606.00811v1
• Date: Sat, 30 May 2026 16:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.85803
• Title: Certificates without Electrons? Theory and Evidence on Impacts from AI-Driven Power Demand
• Title（参考訳）: 電子を持たない証明書 : AI駆動電力需要の影響の理論とエビデンス
• Abstract要約: 現在、データセンターは米国の電力需要の4.4%を占めている。 我々は、データセンターオペレータがREC、PPA、および後方容量を選択するゲーム理論モデルを開発する。 エッジ推論,空間的再配置,コロケーションストレージがグリッドの影響を大幅に軽減することを示す。
• 参考スコア（独自算出の注目度）: 13.517448244057134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data centers now account for 4.4% of United States electricity demand, yet the grid-level effectiveness of the renewable energy certificates (RECs) and power purchase agreements (PPAs) hyperscalers use to claim carbon neutrality remains unclear. We develop a game-theoretic model in which a data center operator chooses among RECs, PPAs, and behind-the-meter colocation while generators make entry decisions under endogenous financing costs. The model identifies a timing wedge -- the mismatch between consumption and credited renewable generation -- as a central mechanism through which AI demand degrades reliability, raises prices, and increases emissions even when RECs cover 100% of annual consumption. Colocation with storage addresses this wedge directly and induces the greatest renewable entry by eliminating generator revenue risk. We test these predictions by exploiting the staggered release of large language models as a natural experiment, using difference-in-differences on a novel dataset linking AI activity to local grid outcomes. AI demand significantly increases fossil generation, wholesale prices (up to 25% in treated PJM zones), and outage frequency (0.5--1 additional outages per year) near data centers, with impacts scaling in model size. Data centers with on-site generation exhibit a sign reversal in power-quality effects, consistent with the model's prediction that behind-the-meter capacity absorbs demand spikes. Counterfactual analyses show that edge inference, spatial reallocation, and colocated storage each substantially mitigate grid impacts, while REC-only strategies do not. Together, our results demonstrate that the externalities of AI to the grid are tightly coupled to procurement design and the spatial organization of data center infrastructure.
• Abstract（参考訳）: 現在、データセンターは米国の電力需要の4.4%を占めているが、再生可能エネルギー証明書(REC)と電力購入合意(PPA)のグリッドレベルの有効性は、炭素中立性を主張している。 我々は、データセンターオペレータがREC、PPA、および後方コロケーションを選択するゲーム理論モデルを構築し、ジェネレータは内因性金融コストでエントリー決定を行う。 このモデルは、AI需要が信頼性を低下させ、価格を上昇させ、RECが年間消費の100%をカバーしている場合でも排出を増大させる中心的なメカニズムとして、消費と再生可能エネルギーのミスマッチ(英語版)を識別する。 ストレージとのコロケーションは、このくさびに直接対処し、ジェネレータの収益リスクをなくすことで、最大の再生可能エントリを誘導する。 我々は、AIアクティビティを局所グリッド結果にリンクする新しいデータセットの差分差分を用いて、大きな言語モデルの停滞したリリースを自然な実験として活用して、これらの予測をテストする。 AIの需要は、化石生成、パーセール価格(処理されたPJMゾーンで25%まで)、データセンターの近くでの停止頻度(年間0.5～1件の追加停止)を著しく増加させ、モデルサイズのスケーリングに影響を与えている。 オンサイト・ジェネレーションを持つデータセンターは電力品質への影響を逆転させる兆候を示しており、モデルの後方の容量が需要のスパイクを吸収するという予測と一致している。 カウンターファクト分析では、エッジ推論、空間的再配置、コロケーションストレージはそれぞれグリッドの影響を著しく軽減するが、RECのみの戦略はそうではない。 その結果, グリッドに対するAIの外部性は, 調達設計とデータセンターインフラの空間的構造と密接に結びついていることがわかった。

関連論文リスト

• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• 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)
• Energy Management for Renewable-Colocated Artificial Intelligence Data Centers [3.128780458580408]
  我々は、再生可能エネルギーを共配置した人工知能(AI)データセンターのためのエネルギー管理システム(EMS)を開発した。 コスト最小化フレームワークの下で、EMSはAIワークロードスケジューリング、現場での再生可能利用、電力市場への参加を共同で最適化する。
  論文  参考訳（メタデータ） (2025-07-04T18:25:42Z)
• Budget-constrained Collaborative Renewable Energy Forecasting Market [0.0]
  分散データオーナシップは、そのようなモデルの成功に重大な障害をもたらす。 時系列予測のためのインセンティブメカニズムを提案する。 その結果、データ販売者にとって大幅な精度の向上と潜在的金銭的利益が示された。
  論文  参考訳（メタデータ） (2025-01-21T18:46:27Z)
• Game-Theoretic Deep Reinforcement Learning to Minimize Carbon Emissions and Energy Costs for AI Inference Workloads in Geo-Distributed Data Centers [3.3379026542599934]
  この研究は、地理分散データセンターにおけるAI推論ワークロードの分散を最適化するために、ゲーム理論(GT)と深層強化学習(DRL)を組み合わせたユニークなアプローチを導入する。 提案手法は,非協調型ゲーム理論の原理をDRLフレームワークに統合し,データセンターが作業負荷配分に関するインテリジェントな決定を行えるようにする。
  論文  参考訳（メタデータ） (2024-04-01T20:13:28Z)
• Spatio-temporal load shifting for truly clean computing [0.5857582826810999]
  本研究では、時間と場所の双方において、コンピュータジョブのシフトと関連する電力負荷の影響について検討する。 我々は,ロードブルティの情報利用に関連する3つの信号を分離した。 24/7 CFEのコストは1.29$pm$0.07 EUR/MWhに削減される。
  論文  参考訳（メタデータ） (2024-03-26T13:36:42Z)
• FedWOA: A Federated Learning Model that uses the Whale Optimization Algorithm for Renewable Energy Prediction [0.0]
  本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。 その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
  論文  参考訳（メタデータ） (2023-09-19T05:44:18Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。