論文の概要: Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

• arxiv url: http://arxiv.org/abs/2606.05420v1
• Date: Wed, 03 Jun 2026 20:38:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.394015
• Title: Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers
• Title（参考訳）: 米国のハイパースケールデータセンターにおける二酸化炭素排出量とエネルギー消費量の評価
• Authors: Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi,
• Abstract要約: 我々は2024年5月から2025年4月までに403の米国ハイパースケールデータセンターに関する情報を収集した。 電力消費, 発電源およびCO2排出量を推定した。 当社のアプローチは,ハイパースケールデータセンターの環境フットプリントを評価するための属性ツールを提供する。
• 参考スコア（独自算出の注目度）: 2.4666920127921554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid proliferation of hyperscale data centers (HDCs) in the US, mainly driven by the adoption of artificial intelligence, has raised concerns about this industry's environmental footprint. We compiled facility-level information on 403 US hyperscale data centers operating between May 2024 and April 2025 and estimated their electricity consumption, electricity sources, and attributable CO2 emissions. Across different facility-load scenarios, these HDCs consumed approximately 68-99 TWh of electricity and were associated with about 37-54 million metric tons of CO2. Under the central scenario, HDC electricity demand corresponded to approximately 1.8% of total US electricity consumption, with roughly 54% of attributed generation supplied by fossil-fuel sources. The HDC electricity-weighted average carbon intensity was approximately 545 gCO2/kWh, about 48% above the contemporaneous US national grid-average carbon intensity of 370 gCO2/kWh. Our approach provides an attributional tool for assessing the environmental footprint of hyperscale data centers using the most recent EPA eGRID plant-level data.
• Abstract（参考訳）: 米国におけるハイパースケールデータセンター(HDC)の急速な普及は、主に人工知能の採用によって、この業界の環境フットプリントに対する懸念が高まっている。 2024年5月から2025年4月までに稼働する403台の超大規模データセンターの施設レベルの情報を収集し,その電力消費, 電力源およびCO2排出量を推定した。 施設負荷のシナリオによって、これらのHDCは、約68-99 TWhの電気を消費し、約37-54万トンのCO2に関連付けられていた。 中央のシナリオでは、HDCの電力需要は米国全体の電力消費量の約1.8%に相当し、化石燃料源から供給される発電量の約54%に相当する。 HDCの電気加重平均炭素強度は約545 gCO2/kWhで、同時期の米国平均炭素強度370 gCO2/kWhより約48%高かった。 提案手法は,最新のEPA eGRIDプラントレベルのデータを用いて,ハイパースケールデータセンターの環境フットプリントを評価するための属性ツールを提供する。

関連論文リスト

• The data heat island effect: quantifying the impact of AI data centers in a warming world [80.93687930593265]
  我々は、AIデータセンターの運用開始後、陸地表面温度が平均2C上昇すると推定する。 この温度上昇の影響で3億4000万人以上が影響を受ける可能性があることを定量化して、コミュニティへの影響を評価した。
  論文  参考訳（メタデータ） (2026-03-21T18:04:03Z)
• The Environmental Impact of AI Servers and Sustainable Solutions [0.0]
  本研究では,AIサーバ運用の環境フットプリントを評価する。 予想では、2024年のデータセンターの電力需要は、2030年までに約415 TWhから945 TWhに増加する可能性がある。 米国だけでも、2030年までにAIサーバーは年間200～300億ガロンの水を消費し、24～4400万トン分の二酸化炭素を排出すると予想されている。
  論文  参考訳（メタデータ） (2025-12-24T01:09:06Z)
• Environmental Impact of CI/CD Pipelines [45.02374935546107]
  GitHub Actionsエコシステムは、かなりの炭素と水のフットプリントをもたらす。 したがって、最も可能性の高いシナリオの炭素フットプリントは、1年で7,615本の都会の木によって捕獲された炭素と同等である。 主な推奨事項は、エネルギー生産が環境への影響の低い地域にランナーを配置することである。
  論文  参考訳（メタデータ） (2025-10-30T12:02:09Z)
• Optimizing Carbon Footprint in ICT through Swarm Intelligence with Algorithmic Complexity [0.0]
  2022年、化石燃料の燃焼とセメント生産による地球規模の排出が記録され、パンデミック前の水準への回復が示唆された。 このことは、ICT内の炭素フットプリントを測定し最適化するために、Swarm Intelligenceアプリケーションをさらに探究する必要があることを示している。
  論文  参考訳（メタデータ） (2025-01-20T02:34:55Z)
• Environmental Burden of United States Data Centers in the Artificial Intelligence Era [0.5025737475817937]
  データセンターは1億5500万トン以上のCO$2$e(2023年の米国の排出量の2.18%)を発生させた データセンターの炭素強度 - 消費する電力単位当たりのCO$_2$eの排出量 - は、米国平均を48%上回った。 私たちのデータパイプラインと可視化ツールは、データセンターの現在と将来の環境影響を評価するために利用できます。
  論文  参考訳（メタデータ） (2024-11-14T19:55:49Z)
• A Dataset of the Operating Station Heat Rate for 806 Indian Coal Plant Units using Machine Learning [3.5669362640232323]
  インドは2070年までに純ゼロ排出量を達成することを目指しており、2030年までに再生可能発電容量500GWという野心的な目標を設定している。 石炭工場は現在、2022年のインドの発電の60%以上に貢献している。 このデータセットは、インドが再生可能エネルギー目標に向かって移行するにつれて、インドの石炭発電のエネルギー・環境政策を通知する可能性がある。
  論文  参考訳（メタデータ） (2024-09-14T19:12:57Z)
• Reconstructing Global Daily CO2 Emissions via Machine Learning [4.347253343430851]
  我々は,グローバルな1日当たりCO2排出量データセットを,機械学習アルゴリズムを用いて1970年まで遡って拡張した。 日中CO2排出量の変動は季節変動のスムーズさをはるかに上回った。 日量50年以上にわたる温室効果ガス排出量の長期時系列は、極端に気温が上昇しているため、排出量の増加傾向を示している。
  論文  参考訳（メタデータ） (2024-07-29T14:44:14Z)
• 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)
• Averaging Atmospheric Gas Concentration Data using Wasserstein Barycenters [68.978070616775]
  ハイパースペクトル衛星画像は、世界中の温室効果ガス濃度を毎日報告している。 気象データと組み合わさったワッサーシュタイン・バリセンタを用いて, ガス濃度データセットの平均化と, 質量集中性の向上を提案する。
  論文  参考訳（メタデータ） (2020-10-06T14:31:25Z)
• 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。