論文の概要: A Checklist to assess the energy and carbon impacts of ML/AI applications in Earth System Modeling
- arxiv url: http://arxiv.org/abs/2609.00847v1
- Date: Tue, 01 Sep 2026 07:44:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.440051
- Title: A Checklist to assess the energy and carbon impacts of ML/AI applications in Earth System Modeling
- Title（参考訳）: 地球系モデリングにおけるML/AIアプリケーションのエネルギーと炭素の影響評価のためのチェックリスト
- Authors: Filippo Dainelli, Amirpasha Mozaffari, Marina Castaño, Aina Gaya i Àvila, Lluís Palma Garcia, Alessio Melli, Oscar Dimdore Miles, Amanda Duarte,
- Abstract要約: 成長する文学組織は、機械学習と人工知能の倫理的かつ持続可能な発展に対処する。
我々は、これらの議論をML/AIとアースシステムの専門家が自身のアプリケーションの環境フットプリントを評価し、削減するために使用できる実践的なチェックリストに抽出する。
それぞれの質問に対して、我々は、研究者が開発サイクルのすべての段階で直面する意図的原則と意思決定のギャップを埋めることを目的として、最近の文献から具体的な事例と実行可能な提案を指摘します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As machine learning and artificial intelligence find their way into nearly every aspect of climate, weather, and Earth system modeling, it is worth pausing to consider what our design decisions imply for the science and for the computational resources we consume. A growing body of literature addresses the ethical and sustainable development of ML/AI, yet translating these principles into day-to-day research practice remains a challenge as most of best practices are dispersed across multiple studies and commentaries. Here, we distill these discussions into a practical checklist that ML/AI and Earth system science practitioners can use to assess and reduce the environmental footprint of their own applications, organised around the successive stages of the model development pipeline. We complement the checklist with a selection of metrics drawn from the literature for estimating the energy consumption and carbon footprint of a project. For each question, we point to concrete examples and actionable suggestions from recent literature, aiming to bridge the gap between aspirational principles and the decisions researchers face at every stage of the development cycle.
- Abstract（参考訳）: 機械学習と人工知能が、気候、気象、地球システムモデリングのほぼすべての側面に進出するにつれ、私たちの設計決定が科学や消費する計算資源にどのような意味を持つのかを考慮すべきである。
多くの文献がML/AIの倫理的かつ持続可能な発展に対処しているが、これらの原則を日々の研究プラクティスに翻訳することは、ほとんどのベストプラクティスが複数の研究や注釈に分散しているため、依然として課題である。
そこで我々は,これらの議論をML/AIとアースシステムサイエンスの実践者が,モデル開発パイプラインの連続的な段階を中心に編成された,自身のアプリケーションの環境フットプリントの評価と削減に使用できる実践的なチェックリストに抽出する。
我々は、チェックリストを、プロジェクトのエネルギー消費と炭素フットプリントを推定するための文献から引き出されたメトリクスのセレクションで補完する。
それぞれの質問に対して、我々は、研究者が開発サイクルのすべての段階で直面する意図的原則と意思決定のギャップを埋めることを目的として、最近の文献から具体的な事例と実行可能な提案を指摘します。
関連論文リスト
- From Cradle to Cloud: A Life Cycle Review of AI's Environmental Footprint [5.541818456943479]
我々は、AIの環境フットプリントのさまざまな側面を調査する科学論文と技術報告の構造化された総合的な文献レビューを行う。
ハードウェア製造、インフラストラクチャ構築、データ収集と前処理、モデル実験、トレーニング、トレーニング後の適応、デプロイメント、推論、終末といった8段階のライフサイクルフレームワークを使用します。
ライフサイクル言語は「グリーン」あるいは「持続可能な」AIの議論でますます一般的になっているが、その定義はいまだに不明である。
論文 参考訳（メタデータ） (2026-05-06T20:20:17Z) - Sustainable Code Generation Using Large Language Models: A Systematic Literature Review [20.12025491042057]
大規模言語モデル(LLM)は、コードの生成、完成、翻訳、修正に広く使われている。
本稿では,LLMが生成するコードの持続可能性に関する既存研究について検討する。
論文 参考訳（メタデータ） (2026-03-01T08:32:36Z) - 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) - FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。
その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。
河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-17T00:53:09Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - 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)
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。