論文の概要: Energy and CO2 Footprint of Climate Model Intercomparison Projects
- arxiv url: http://arxiv.org/abs/2608.23509v2
- Date: Fri, 28 Aug 2026 15:12:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 15:11:36.06958
- Title: Energy and CO2 Footprint of Climate Model Intercomparison Projects
- Title（参考訳）: 気候モデル比較プロジェクトにおけるエネルギーとCO2フットプリント
- Abstract要約: 本稿では, 温暖化後の自発的な推定から, CMIP7エネルギー消費タスクチームの下での標準化会計まで, 気候モデル炭素会計の進化について検討する。
MareNostrum 5の高分解能デスティネーション・アース・シミュレーションを用いて、異なる会計境界が報告されたエネルギー、二酸化炭素、財政コストにどのように影響するかを実証的に評価した。
- 参考スコア（独自算出の注目度）: 0.23332469289621785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Earth System Models (ESMs) rely heavily on High-Performance Computing (HPC) resources to simulate global climate. As these models evolve, their computational demands continue to grow, driven by three factors: (1) finer spatial grid resolutions, (2) the integration of complex biogeochemical processes (e.g., atmospheric chemistry, interactive vegetation, land use, and ice sheets), and (3) larger climate ensembles to manage uncertainty. Historically, growth in peak computing performance (FLOP/s) has outpaced improvements in energy efficiency (FLOP/Watt), increasing total HPC power consumption. Despite the central role of Model Intercomparison Projects (MIPs) in climate research, quantifying their computational and environmental costs has received limited systematic attention. This paper examines the evolution of climate model carbon accounting from voluntary post-hoc estimation in the Coupled Model Intercomparison Project phase 6 (CMIP6) to standardized accounting under the newly established CMIP7 Task Team on Energy Consumption. Using high-resolution Destination Earth simulations on MareNostrum 5, we empirically evaluate how different accounting boundaries (operational, active-only, and embodied carbon) impact reported energy, carbon emissions, and financial costs. Finally, we outline key methodological considerations for standardizing energy and carbon accounting for Model Intercomparison Projects (MIPs).
- Abstract（参考訳）: 地球系モデル(ESM)は、地球気候をシミュレートするためにハイパフォーマンスコンピューティング(HPC)資源に大きく依存している。
これらのモデルが進化するにつれて、その計算要求は成長し続けており、(1)より微細なグリッド解像度、(2)複雑な生物地球化学プロセスの統合(例えば、大気化学、インタラクティブな植生、土地利用、氷床)、(3)不確実性を管理するためのより大きな気候アンサンブルの3つの要因によって引き起こされている。
歴史的に、ピークコンピューティング性能(FLOP/s)の増大はエネルギー効率(FLOP/Watt)の改善よりも大きくなり、HPCの電力消費は増加した。
気候研究におけるモデル相互比較プロジェクト(MIP)の中心的役割にもかかわらず、その計算と環境コストの定量化は、体系的な注目を集めている。
本稿では,結合モデル相互比較計画第6相(CMIP6)における自発的なポストホック推定から,新たに設立されたCMIP7エネルギー消費タスクチーム(CMIP7 Task Team on Energy Consumption)の下での標準化会計まで,気候モデル炭素会計の進化について検討する。
MareNostrum 5の高分解能デスティネーション・アース・シミュレーションを用いて、異なる会計境界(オペレーション、アクティブ・オンリー、エンボディド・カーボン)が、報告されたエネルギー、二酸化炭素排出量、財務コストにどのように影響するかを実証的に評価した。
最後に,モデル相互比較プロジェクト(MIP)におけるエネルギー・炭素会計の標準化に向けた重要な方法論的考察を概説する。
関連論文リスト
- Energy Yield and Lifetime Climate Classification via Machine Learning for Optimizing Photovoltaic Module Design and Materials [31.798185135917084]
様々な機械学習(ML)技術を用いて、PVアプリケーションに適した気候分類フレームワークを開発する。
我々のアプローチは、エネルギー収量と、気候に依存した劣化を伴うモジュール寿命の両方を取り入れている。
その結果は、PVモジュールの最適化、システムシットの決定、および比較パフォーマンス研究など、幅広いアプリケーションをサポートすることができる。
論文 参考訳（メタデータ） (2026-08-26T07:12:42Z) - AI-CARE: Carbon-Aware Reporting Evaluation Metric for AI Models [2.7946918847372277]
本稿では,AI-CARE,エネルギー消費評価ツール,および機械学習モデルの炭素排出量について述べる。
理論的解析と実証的検証を通じて、炭素認識ベンチマークがモデルの相対的なランキングを変えることを実証する。
本提案は,研究コミュニティを透明で多目的な評価に転換し,MLの進歩をグローバルなサステナビリティ目標に合わせることを目的としている。
論文 参考訳（メタデータ） (2026-02-17T21:52:48Z) - Quantifying the Climate Risk of Generative AI: Region-Aware Carbon Accounting with G-TRACE and the AI Sustainability Pyramid [2.2999148299770047]
GenAIは、エネルギー需要と関連するCO2排出量が新たな気候リスクのカテゴリとして出現する、急速に拡大するデジタルインフラである。
本研究は、トレーニングおよび推論関連エミッションを定量化するクロスモーダルな領域認識フレームワークであるG-TRACEを紹介する。
AI Sustainability Pyramidは、炭素会計メトリクスと運用の準備、最適化、管理を結びつける7段階のガバナンスモデルである。
論文 参考訳（メタデータ） (2025-11-06T19:52:02Z) - Building Interpretable Climate Emulators for Economics [38.16419395699246]
我々は、気候変動の経済モデルのための効率的かつ解釈可能な気候エミュレータ(CE)を開発するための枠組みを導入する。
CCEの3つのバージョンについて検討し、簡単な代表者経済モデルで評価する。
地域ベースライン気候,非一様温暖化,およびそれに伴う不確実性が経済被害にどのように伝播するかを示す。
論文 参考訳（メタデータ） (2024-11-16T10:22:23Z) - 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) - 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) - 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) - Eco2AI: carbon emissions tracking of machine learning models as the
first step towards sustainable AI [47.130004596434816]
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。
モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
論文 参考訳（メタデータ） (2022-07-31T09:34:53Z) - 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。