論文の概要: Toward a Time-Aware Assessment Framework for the Carbon Cost of AI-Enabled Decarbonization

• arxiv url: http://arxiv.org/abs/2609.18029v1
• Date: Wed, 16 Sep 2026 02:28:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.600626
• Title: Toward a Time-Aware Assessment Framework for the Carbon Cost of AI-Enabled Decarbonization
• Title（参考訳）: AIで実現可能な脱炭の炭素コスト評価フレームワークの実現に向けて
• Abstract要約: 時間認識評価が時間的意思決定を支援することを示す。 私たちは、go/no-goスクリーニング、タイミング決定、最小限の"bang-for-Your-buck"しきい値をサポートする決定ガイドラインを提供します。
• 参考スコア（独自算出の注目度）: 0.2548904650574671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI is increasingly used to support decarbonization decisions across the built environment, yet the development, training, and use of AI consume energy and induce CO2e emissions. However, existing assessments often report physical-system savings while omitting AI-side emissions. Moreover, they rarely account for the mismatch between when AI costs occur and when decarbonization benefits materialize, which may be substantial for infrastructure-scale projects. To address these issues, we present a time-aware assessment framework that models avoided emissions and AI-induced emissions as discrete-time streams over a finite time horizon. In demonstrating this process, we seek to show that time-aware assessment can support temporal decision-making, identify cases in which accounting for time value of carbon can change preferred rankings relative to time-invariant totals, and explore how decisions may vary with slightly different governance priorities. Using four representative interventions with intentionally different temporal profiles (multi-project low-carbon concrete design support, AI-assisted construction logistics, agentic HVAC control, and predictive maintenance), we demonstrate how discounting can change preferred rankings relative to time-invariant totals and supports ranking sensitivity analysis, discounted payback screening, and break-even discount-rate analysis. We also provide decision guidelines that support go/no-go screening, timing decisions, and minimum "bang-for-your-buck" thresholds. Ultimately, this work contributes a lightweight framework for deciding whether and when to deploy AI-enabled interventions for decarbonization under explicit time preference.
• Abstract（参考訳）: AIは、構築された環境全体の脱炭化決定をサポートするためにますます使われていますが、AIの開発、トレーニング、使用はエネルギーを消費し、CO2e排出量を誘導します。 しかし、既存の評価では、AI側のエミッションを省略しながら、物理的なシステム節約を報告していることが多い。 さらに、AIコスト発生時のミスマッチや、脱炭のメリットが実現した際のミスマッチも、インフラストラクチャスケールのプロジェクトにとって大きな意味を持つ可能性がある。 これらの問題に対処するため、有限時間地平線上での離散時間ストリームとして、放射やAIによる放射をモデル化する時間認識評価フレームワークを提案する。 このプロセスの実証において、時間認識評価が時間的意思決定を支援することを示し、炭素の時間的価値を考慮に入れた場合、時間的不変の総数に対して優先的なランクを変更することを示し、少し異なるガバナンスの優先順位で意思決定がどのように変化するかを探る。 複数プロジェクトによる低炭素コンクリート設計支援,AI支援建設物流,エージェントHVAC制御,予測保守の4つの代表的介入を用いて,ディスカウントが,時間不変の総数に対して望ましいランクを変更できることを示す。 また、go/no-goスクリーニング、タイミング決定、最小限の"bang-for-Your-buck"しきい値をサポートする決定ガイドラインも提供します。 最終的に、この研究は、明示的な時間優先の下で脱炭のためのAI対応の介入をいつ展開するかを決定するための軽量なフレームワークに貢献している。

関連論文リスト

• Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation [64.51088225051959]
  不均一なAIシステムは、最低コストで最も効果的に答えられる専門家にクエリをルーティングすることで、品質と効率を向上させることができる。 我々はこのトレードオフをPandoraのBoxの例として定式化した。 ガウス信号モデルの下では、得られたポリシーは、各専門家とインプットに対して、その価値見積の精算がそのコストに値するかどうかを決定する、クローズドフォームな情報表現を持つ。
  論文  参考訳（メタデータ） (2026-08-20T17:54:37Z)
• Greening AI Inference with Accuracy and Latency-aware User Incentives [3.819760790465372]
  我々は,AI推論のインセンティブを,推論品質と遅延に対するユーザの評価に基づいて設計するためのフレームワークを紹介する。 私たちのアプローチは、AIモデルのサイズと複雑さに依存するさまざまなトレードオフに対応できます。
  論文  参考訳（メタデータ） (2026-05-26T17:19:07Z)
• 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)
• Cost Minimization for Space-Air-Ground Integrated Multi-Access Edge Computing Systems [60.586531406445744]
  宇宙空間統合多高度エッジコンピューティング(SAGIN-MEC)は、急速に発展する低高度経済に有望なソリューションを提供する。 本稿では、ユーザデバイス(UD)、無人航空機(UAV)、衛星間の協調を可能にするSAGIN-MECアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-24T15:03:07Z)
• Green Federated Learning via Carbon-Aware Client and Time Slot Scheduling [8.491852197957849]
  大規模な機械学習モデルのトレーニングは、かなりの二酸化炭素排出量を発生させる。 本稿では,炭素を意識したクライアント選択とトレーニングスケジューリングによるフェデレート学習の排出削減について検討する。
  論文  参考訳（メタデータ） (2025-09-10T20:24:26Z)
• 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)
• Towards Carbon-Neutral Edge Computing: Greening Edge AI by Harnessing Spot and Future Carbon Markets [24.462679595118672]
  我々は、CERを複数の時間スケールで購入し、機械学習タスクをオフロードする場所を決定するオンラインアルゴリズムを提案する。 さらに,$T$-slot問題のNP硬度を考慮し,資源制限付きランダム化依存ラウンドリングアルゴリズムを提案する。 実炭素強度トレースによって駆動される理論解析と広範囲なシミュレーション結果は,提案アルゴリズムの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-22T11:14:16Z)
• 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。