Open and Linked Data Model for Carbon Footprint Scenarios
针对碳足迹情景假设难理解、难复用调整的问题，提出开放关联数据模型以提升数据质量与透明度，并通过网页端数据解释器原型验证了实现思路。
2023-10-05 cs.CY
Carbontracker: Tracking and Predicting the Carbon Footprint of Training Deep Learning Models
University of Copenhagen（哥本哈根大学）
深度学习（DL）可以在各种任务中取得令人印象深刻的结果，但这通常是以在专用硬件加速器上长时间训练模型为代价的。近年来，这种能源密集型工作量大幅增长。如果这种指数趋势继续下去，机器学习（ML）可能会成为气候变化的重要贡献者。如果从业者意识到他们的能源和碳足迹，那么他们可能会积极采取措施，尽可能减少它。在这项工作中，我们提出了Carbontracker，用于跟踪和预测训练DL模型的能源和碳足迹的工具。我们建议使用Carbontracker等工具报告模型开发和培训的能源和碳足迹以及性能指标。我们希望这将促进ML中的负责任计算，并鼓励对节能深度神经网络的研究。
2020-07-06 cs.CY cs.LG eess.SP
LLMCarbon: Modeling the end-to-end Carbon Footprint of Large Language Models
Jackson State University（杰克逊州立大学）；Indiana University（印第安纳大学）
针对现有工具 mlco2 无法覆盖密集型与 MoE LLM、架构参数、非 GPU 环节及隐含碳排放的问题，本文提出端到端碳足迹预测模型 LLMCarbon，显著提升训练前估算准确性。
2024-01-19 cs.AI cs.CL cs.CY
An open-source tool to assess the carbon footprint of research
研究机构必须为减少温室气体排放的努力作出贡献，原因有几个。首先，科学界的部分研究涉及气候变化问题。第二，科学家为学生的教育做出贡献：他们必须始终如一，成为榜样。第三，关于研究人员碳足迹的文献指出，一些个人的碳足迹水平很高。为了寻求一致性和榜样，科学家、科学家团队或大学已经开始量化他们的碳足迹，并就减排方案展开辩论。事实上，测量研究活动的碳足迹需要专门针对其具体特点的工具。在本文中，我们提出了一个开源的Web应用程序，GES 1point5，由来自法国几个研究实验室的跨学科科学家团队开发。GES 1point5是专门设计用于估算法国研究活动的碳足迹。它以研究实验室的规模运作，即实验室，这是法国组织研究的社会结构，也是法国研究系统中最小的决策实体。该应用程序允许法国研究实验室按照标准化的开放协议计算自己的碳足迹。在快速增长的实验室网络中收集的数据将被用作Labos 1point5项目的一部分，以估计法国的研究碳足迹。在提交本文时，89个研究实验室已经与GES 1point5合作，以估计其温室气体排放量。我们希望GES 1point5（适应国内具体情况）的国际采用有助于建立对全球研究碳足迹驱动因素的全球理解以及减少碳足迹的杠杆。
2021-01-21 cs.CY
Confronting the Carbon-footprint Challenge of Blockchain
分布式共识机制是快速发展的区块链网络的支柱。区块链平台基于当前的工作量证明共识机制消耗大量电力。在这里，我们指出了一种名为Proof of Stake的高级共识机制，它可以消除当前基于PoW的区块链的广泛能源消耗。我们全面阐述了基于PoW和PoS的比特币和以太坊区块链平台的当前和预计能源消耗和碳足迹。
2021-12-31 cs.CY
A User Study of Perceived Carbon Footprint
EPFL（洛桑联邦理工学院）；Spotify（Spotify公司）
我们提出了一个统计模型，以了解人们的看法，他们的碳足迹。由于很少有人认为二氧化碳的影响是绝对的，我们设计了一个系统来探测人们的看法，从简单的成对比较他们的行动的相对碳足迹。该模型的制定使我们能够采取主动学习的方法来选择最大限度地提供有关模型参数的信息的动作对。我们定义了一组18个动作，并从大学校园的176个用户中收集了2183个比较的数据集。早期结果揭示了改善气候沟通和加强气候减缓的有希望的方向。
2019-12-04 cs.CY cs.LG physics.soc-ph
The Sunk Carbon Fallacy: Rethinking Carbon Footprint Metrics for Effective Carbon-Aware Scheduling
本文揭示碳感知调度中纳入隐含碳排放会因沉没成本谬误反而增加总碳足迹，并通过真实数据中心案例验证，为优化本地与云数据中心调度提供指导。
2024-10-19 cs.CY cs.DC cs.ET
Bitcoin's future carbon footprint
比特币的碳足迹引起了广泛关注，但比特币对气候的长期影响仍不确定。在这里，我们提出了一个框架，以克服先前估计的不确定性，并预测比特币的长期电力消耗和碳足迹。如果我们假设比特币的市价总值与黄金的市值增长一致，我们发现比特币的年耗电量可能会在2020年至2100年期间从60 TWh增加到400 TWh。比特币未来的碳足迹在很大程度上取决于电力部门的脱碳途径。如果电力部门到2050年实现碳中和，比特币的碳足迹已经达到顶峰。然而，在一切照旧的情况下，到2100年，排放总量将达到20亿吨，相当于2019年全球排放量的7%。然而，2020年底比特币价格飙升表明，市价总值的逐步发展可能会在2021年产生超过100太瓦时的电力消耗，并导致到2100年累计排放量超过50亿吨。因此，我们还讨论了减少比特币未来碳足迹的政策工具。
2021-01-28 cs.CY econ.GN q-fin.EC
Estimating The Carbon Footprint Of Digital Agriculture Deployment: A Parametric Bottom-Up Modelling Approach
针对大规模部署数字设备的环境影响研究稀缺问题，提出一种考虑农场规模多样性的自下而上碳足迹估算方法，揭示复杂设备的高碳足迹未必被性能或规模效益补偿，强调建模需考虑设备多样性与地域分布。
2024-09-26 cs.CY
LLMCO2: Advancing Accurate Carbon Footprint Prediction for LLM Inferences
Indiana University（印第安纳大学）；Purdue University（普渡大学）
针对现有LLM推理碳足迹估算方法精度低、数据需求大等问题，提出基于图神经网络的LLMCO2模型，通过适配推理两阶段特征与硬件特性，显著提升预测准确性。
2024-10-03 cs.AI cs.CL cs.CY
AI-Enhanced Decision-Making for Sustainable Supply Chains: Reducing Carbon Footprints in the USA
该研究聚焦美国庞大供应链的碳足迹问题，探讨机器学习、预测分析等AI技术如何支撑可持续供应链决策，助力企业提效减排，并梳理了美国落地AI驱动可持续供应链方案的挑战与机遇。
2024-12-08 cs.CY
Exploring the Carbon Footprint of Hugging Face's ML Models: A Repository Mining Study
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；University of Stuttgart（斯图加特大学）
本文通过仓库挖掘研究分析了 Hugging Face 上 1,417 个 ML 模型的碳足迹测量与报告现状，揭示了报告比例停滞、碳足迹略降及 NLP 主导等发现，并提出碳排放报告实践和碳效率两种分类以促进可持续模型开发。
2023-11-29 cs.CY cs.IR cs.LG
Chasing Carbon: The Elusive Environmental Footprint of Computing
考虑到最近的算法、软件和硬件创新，计算已经实现了大量的新应用。然而，随着计算变得越来越普遍，它对环境的影响也越来越大。这篇文章引起了计算机系统研究人员的注意。我们的分析建立在行业报告的特征上，量化了计算在碳排放方面对环境的影响。从广义上讲，碳排放有两个来源：运营能源消耗以及硬件制造和基础设施。虽然由于算法、软件和硬件创新提高了性能和能效，前者的碳排放量正在减少，但计算机系统的总体碳足迹仍在继续增长。这项工作量化了计算机系统的碳排放量，以表明与现代移动和数据中心设备相关的大多数排放来自硬件制造和基础设施。因此，我们概述了未来的方向，以尽量减少计算系统对环境的影响。
2020-10-28 cs.AR cs.CY
A Scoping Review of Methods to Measure the Energy and Carbon Footprint of Web Tracking and Advertising
University of Toronto（多伦多大学）
本文对网络追踪与广告的能源及碳足迹测量方法开展范围综述，经文献筛选后识别出5种方法论路径，为广告技术生态系统的环境核算奠定基础。
2026-08-21 cs.CY
CarbonScaling: Extending Neural Scaling Laws for Carbon Footprint in Large Language Models
Indiana University（印第安纳大学）
本文提出CarbonScaling框架，结合神经缩放定律和分布式训练策略，准确建模前沿LLM训练的碳足迹，提高硬件配置和排放估计的精度。
2026-05-15 cs.AI cs.CL cs.CY
Integrating AI's Carbon Footprint into Risk Management Frameworks: Strategies and Tools for Sustainable Compliance in Banking Sector
Centre for Finance, Technology & Regulation (Judge Business School, University of Cambridge)（剑桥大学贾奇商学院金融、科技与监管中心）；School（学院）
本文研究银行业如何将AI碳足迹纳入风险管理框架，以OLMoE和Agentic RAG等高效模型为例，提出节能模型、绿色云计算和生命周期管理等结构化减排策略，助力银行满足EU AI Act、CSRD等可持续合规要求。
2024-09-15 cs.AI cs.CY
Assessing the embodied carbon footprint of IoT edge devices with a bottom-up life-cycle approach
在未来几年，物联网（IoT）设备的数量预计将激增至数百亿个物理对象。然而，虽然物联网通常被视为应对环境挑战的有前途的解决方案，但物理设备在生存周期中产生的直接环境影响通常被忽视。人们隐含地假设，与它们可以产生的积极影响相比，它们的环境负担可以忽略不计。在本文中，我们提出了一个基于硬件配置文件的参数化框架，以评估物联网边缘设备从摇篮到大门的碳足迹。我们以三种方式利用我们的框架。首先，我们将其应用于四个用例，以评估各自的生产碳足迹。然后，我们证明了物联网边缘设备固有的异质性必须被考虑，因为简单和复杂设备之间的生产碳足迹可能会相差150倍以上。最后，我们通过10年的宏观分析，估计了全球物联网边缘设备生产引起的绝对碳足迹。根据部署方案，2027年的结果范围为22至5.62亿吨二氧化碳当量/年。然而，自自底向上的【形】的LCA方法所承认的截断误差通常会导致对环境影响的低估。我们将我们的用例结果与Google和Apple提供的少数报告进行了比较，这些报告表明我们的估计值可以向上修正约2倍，以补偿截断误差。因此，2027年的最坏情况将超过1000 MtCO 2当量/年。这确实强调了在设计和部署物联网边缘设备时考虑环境限制的必要性。
2021-05-05 cs.CY
An Analysis of Energy Consumption and Carbon Footprints of Cryptocurrencies and Possible Solutions
迫切需要控制人类造成的全球变暖，以实现可持续的未来。$CO_2$的水平正在稳步上升，尽管世界各国都在积极朝着2015年《巴黎协定》提出的可持续发展目标迈进，但我们距离实现可持续的全球运营模式还有很长的路要走。自2009年比特币推出以来，加密货币越来越受欢迎，伴随着温室气体排放和高电能消耗的增加趋势。流行的能源跟踪研究（例如，Digiconomist和剑桥比特币能源消耗指数（CBECI））估计，截至2021年7月，比特币的能源消耗范围分别为29.96 TWh至135.12 TWh和26.41 TWh至176.98 TWh，相当于瑞典和泰国等国家的能源消耗。Digiconomist对碳足迹的最新估计显示，截至2021年7月，比特币排放了64.18 Mt $CO_2$，接近希腊和阿曼的排放量。本综述汇编了2018年至2021年各种研究的估计。我们将这些加密货币的能源消耗和碳足迹与世界各国以及Visa等集中交易方式进行了比较。我们确定了与加密货币相关的问题，并提出了有助于减少能源使用和碳足迹的解决方案。最后，我们介绍了加密货币网络的案例研究，即以太坊2.0和Pi网络，并讨论了它们如何解决我们发现的一些挑战。
2022-02-20 cs.CY
Carbon Footprint Evaluation of Code Generation through LLM as a Service
TWT GmbH Science & Innovation（TWT科学与创新有限公司）；Harvard University（哈佛大学）；MIT（麻省理工学院）；Mercedes-Benz（梅赛德斯-奔驰）；National Technical University of Athens（雅典国家技术大学）
针对数据中心碳排放增加问题，本研究引入LLM as a Service，使用生成式AI模型GitHub Copilot自动生成代码，通过可持续性指标量化其隐含和运营碳排放，为绿色编码和AI驱动的效率在汽车等行业的应用提供评估方法。
2025-03-30 cs.CY cs.LG cs.SE
Green by Design? Investigating the Energy and Carbon Footprint of Chia Network
ESTIN；INSA Lyon - Inria（里昂高等师范学院-法国国家信息与自动化研究所）
研究Chia网络的环境影响，发现其初始化和持续操作导致碳排放远高于宣称水平，揭示其可持续性问题。
2026-03-05 cs.CY
Toward Sustainable Generative AI: A Scoping Review of Carbon Footprint and Environmental Impacts Across Training and Inference Stages
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）；Graduate School of Carbon Neutrality, Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院碳中和研究生院）
本文通过综述生成式AI训练和推理阶段的碳足迹及环境影响，提出标准化测量协议、动态评估框架等未来研究方向，推动可持续AI发展。
2025-11-21 cs.CY
Green Algorithms: Quantifying the carbon footprint of computation
气候变化正在深刻影响地球上生活的几乎所有方面，包括人类社会、经济和健康。各种人类活动是造成大量温室气体排放的原因，包括数据中心和其他大规模计算源。尽管由于高性能计算的发展，许多重要的科学里程碑已经实现，但由此产生的环境影响却没有得到充分的重视。在本文中，我们提出了一种方法框架，以标准化和可靠的方式估计任何计算任务的碳足迹，基于处理时间，计算核心类型，可用内存以及计算设施的效率和位置。定义了解释温室气体排放和将温室气体排放置于背景下的方法，包括汽车或飞机行驶的等效距离以及碳封存所需的树月数。我们开发了一个免费的在线工具，绿色算法（www.green-algorithms.org），它使用户能够估计和报告他们的计算的碳足迹。绿色算法工具可以轻松地与计算过程集成，因为它需要的信息最少，并且不会干扰现有代码，同时还可以考虑各种CPU，GPU，云计算，本地服务器和台式计算机。最后，通过应用绿色算法，我们量化了用于粒子物理模拟，天气预报和自然语言处理的算法的温室气体排放量。总之，这项研究开发了一个简单的可推广的框架和免费提供的工具来量化几乎任何计算的碳足迹。结合一系列减少不必要的二氧化碳排放的建议，我们希望提高人们的意识，促进更环保的计算。
2020-12-17 cs.CY cs.DC
Dirty Bits in Low-Earth Orbit: The Carbon Footprint of Launching Computers
Saarland University（萨尔兰大学）；Inria Lyon（里昂国家信息与自动化研究所）
本文研究了在轨计算的碳足迹，提出ESpA S工具，通过案例比较揭示发射和再入的高碳成本，倡导碳意识设计原则。
2026-02-18 cs.CY
AutoPCF: Efficient Product Carbon Footprint Accounting with Large Language Models
Alibaba Cloud（阿里云）；School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院）；Tsinghua University（清华大学）
本文提出AutoPCF框架，利用大语言模型和深度学习算法自动完成产品碳足迹的生命周期建模与参数匹配，将建模时间从数天缩短至数分钟。
2023-08-11 cs.AI cs.CY
The geography and carbon footprint of mobile phone use in Cote d'Ivoire
新发布的Orange D4D移动电话数据库为发展中国家使用移动技术提供了新的见解。在这里，我们进行了一系列的空间数据分析，揭示了重要的地理方面的移动电话使用在科特迪瓦。我们首先映射基站的位置相对于人口分布和呼叫的数量和持续时间在每个基站。在此基础上，我们估计了移动电话网络消耗的能量。最后，我们对城市间的流动性进行了分析，并确定了该国的高交通量道路。
2014-02-24 cs.CY physics.soc-ph
Measuring IT Carbon Footprint: What is the Current Status Actually?
本文针对欧盟新指令下IT温室气体排放测量难题，将挑战分为四类并分析现状与不足，同时提出基于CPU消耗的数学框架及开源倡议，以支持快速评估。
2023-06-12 cs.CY cs.SE
Assessing the Carbon Footprint of Virtual Meetings: A Quantitative Analysis of Camera Usage
Independent Researcher Paris, France e-mail
本文通过定量分析发现，关闭虚拟会议摄像机可显著减少数据消耗和碳排放，尤其在移动网络中效果显著，并提出优化数据使用以降低环境影响的建议。
2026-01-18 cs.CY cs.NI
From Silicon Shield to Carbon Lock-in ? The Environmental Footprint of Electronic Components Manufacturing in Taiwan (2015-2020)
基于16家台湾电子元件制造商2015-2020年CSR数据，揭示其温室气体排放、能耗与用水持续增长且与产量强相关，指出相对效率提升不足以抑制环境足迹，并警示该产业可能形成碳锁定，阻碍台湾实现碳减排与可持续发展目标。
2022-09-26 cs.CY
How to estimate carbon footprint when training deep learning models? A guide and review
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；Univ. Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立理工学院）；IUF（法国大学研究院）；Victor Phillip Dahdaleh Heart and Lung Research Institute（维克多·菲利普·达达勒心肺研究所）；Health Data Research UK Cambridge（英国健康数据研究中心剑桥分部）；University of Cambridge（剑桥大学）
本文系统介绍并比较了训练深度学习模型时用于估算能耗与碳足迹的多种工具，通过在不同深度神经网络和服务器上的实验给出选型建议，为AI从业者评估环境影响提供实用指南。
2023-09-25 cs.AI cs.CY cs.LG
Mitigating the Carbon Footprint of Chatbots as Consumers
针对大语言模型高能耗与碳排放问题，本文聚焦对话系统的对话记忆功能的环境影响，通过分析真实系统匿名token数据提出用户可持续使用建议，并模拟估算了该举措的减排潜力。
2025-07-29 cs.CY
High Resolution Modeling and Analysis of Cryptocurrency Mining's Impact on Power Grids: Carbon Footprint, Reliability, and Electricity Price
本文基于德克萨斯州电网高分辨率数据，分析加密货币挖矿负荷对碳足迹、可靠性和电价的三重影响，发现位置导致碳足迹差异可达50%，且挖矿负荷灵活性可缓解电力短缺和市场扰动，建议政策制定者要求大型矿场参与批发市场并提供强制需求响应。
2023-04-14 cs.CY cs.SY eess.SY
Carbon Emissions and Large Neural Network Training
Google（谷歌）；University of California, Berkeley（加州大学伯克利分校）
机器学习（ML）的计算需求最近增长迅速，这带来了许多成本。估计能源成本有助于衡量其对环境的影响，并找到更环保的战略，但如果没有详细的信息，这是具有挑战性的。我们计算了最近几个大型模型的能源使用和碳足迹-T5，Meena，GShard，Switch Transformer和GPT-3-并改进了早期的神经架构搜索估计，发现了进化的Transformer。我们强调了以下提高能源效率和二氧化碳当量排放（CO2 e）的机会：大型但稀疏激活的DNN可以消耗大型密集DNN的1/10的能量，而不会牺牲准确性，尽管使用了同样多甚至更多的参数。地理位置对ML工作负载调度很重要，因为无碳能源的比例和产生的CO2 e变化约为5 - 10倍，即使在同一国家和同一组织内也是如此。我们现在正在优化大型模型的训练地点和时间。特定的数据中心基础设施很重要，因为云计算中心的能效比典型的数据中心高出约1.4- 2倍，而其中面向ML的加速器的效率比现成的系统高出约2- 5倍。值得注意的是，DNN、数据中心和处理器的选择可以将碳足迹减少约100- 1000倍。这些大的因素也使得追溯能源成本的估计变得困难。为了避免计算错误，我们认为需要大量计算资源的ML论文应该在实际应用中明确能源消耗和CO2 e。我们正在努力在未来的研究中提高能源使用和CO2 e的透明度。为了帮助减少ML的碳足迹，我们认为能源使用和CO2 e应该是评估模型…
2021-04-23 cs.CY cs.LG
How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference
URI（URI大学）
本文通过基准测试框架量化LLM推理的环境足迹，揭示AI发展带来的资源消耗悖论，并提供可持续性评估的标准化方法。
2025-11-24 cs.AI cs.CY
Towards Sustainable Artificial Intelligence: A Comprehensive Review and Comparative Analysis of Deep Learning Models' Carbon Footprint
Royal Military College of Canada（加拿大皇家军事学院）；Concordia University（康考迪亚大学）；École Nationale des Sciences de l’Informatique（国家计算机科学学院）
本文综述绿色AI等相关研究，考察比较碳测量工具，通过CPU实验评估6个DL模型的碳足迹，发现训练阶段是主要排放源，架构复杂度提升未对应成比例准确率提升，强调需平衡性能与环境成本。
2026-08-12 cs.AI cs.CY cs.LG
Calculate the carbon footprint of your IT assets with EcoDiag, an EcoInfo service
你听到了很多关于环境问题，你可能已经开始积极的个人态度，你在你的单位有一个团体，你想知道数字技术在你的专业环境中对环境的影响。EcoDiag为您服务！CNRS EcoInfo GDS发现，评估数字技术的环境影响是复杂的，可能会阻碍最好的意愿，这就是为什么我们根据我们的经验，通过这项新服务为您提供一种简单有效的方法来估计您的车队的碳足迹。我们选择了一个大家都能理解的指标：二氧化碳当量（CO2 e）排放量。根据所使用的数字服务和单位计算机设备的清单，我们的方法和专业知识将使您能够建立温室气体排放的全球估计。该评估将伴随着建议和资源（表格、指南、材料），以将此工作整合到Hc{é} res类型的报告中，或将其用作您结构的更全球性碳评估的一部分。提供建议将使您能够发布政策，以减少数字技术在未来几年产生的温室气体排放！在海报前与我们会面，发现并使用我们的工具评估您单位的数字活动对环境的影响。您将拥有在持续改进过程中控制和减少这些影响的工具和建议指南。来自两个单位的具体例子将说明我们的方法，并证明EcoDiag服务的易用性。
2019-12-12 cs.CY
On the Carbon Footprint of Economic Research in the Age of Generative AI
Banco de España（西班牙银行）；Universidad de Castilla-La Mancha（卡斯蒂利亚-拉曼恰大学）
本文探讨生成式AI在经济研究中的碳足迹，分析了模型与工作流的差异，并提出通过人类在循环治理来提升环境效率。
2026-03-17 cs.AI cs.CY cs.SE
ICSE 2022 Sustainability Report
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Max Planck Institute for Security and Privacy (MPI-SP)（马克斯·普朗克安全与隐私研究所）
ICSE 2022报告探讨了学术会议碳足迹问题，通过调查发现部分参会者认为现场参会的益处未能抵消社区碳足迹。
2026-03-02 cs.CY cs.SE
Accounting for Purchased Artificial Intelligence Inference in Corporate Greenhouse Gas Inventories: A Token-Based Method
SOMA AI
针对CSRD要求下AI推理服务在范围3类别1中缺乏标准核算方法的问题，提出基于token物理估算的四层框架，通过GPU能耗基准和区域电网碳强度精确估算排放，并揭示水碳权衡。
2026-11-04 cs.AI cs.CY
A Graph-based Perspective to Total Carbon Footprint Assessment of Non-marginal Technology-driven Projects - Use case of OTT/IPTV
绿色和可持续项目的生存周期评估（LCA）已被发现是一个必要的分析，以包括所有的上游，下游和间接影响。由于相互作用的复杂性，相对于基线的不同影响，即，一个一切照旧（BAU）的情况下，通常被认为是相对比较各种项目。然而，随着项目在基线中的渗透程度增加，流行的边际假设不再成立，差异影响可能变得不一致。虽然已经成功地提出了各种神话，并用于遏制这种副作用，自下而上的性质，从项目本身开始评估，并最终扩大范围，很容易无法承认对基线的关键修改。这一点与信通技术的颠覆性和动态技术密切相关，因为这些技术使基线成为一种边缘性的遗产。在这项工作中，提出了一种分析的形式主义，提供了一种比较这些技术和项目的手段。所提出的方法背后的核心思想是一个幅度不敏感的基于图形的距离函数，以区别比较项目与基线。所提出的方法的适用性，然后在OTT/IPTV在线媒体分发服务的用例进行评估。
2014-09-17 cs.CY cs.NI
Energy and CO2 Footprint of Climate Model Intercomparison Projects
Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）；Universitat Politècnica de Catalunya (UPC)（加泰罗尼亚理工大学）
本文针对气候模式对比计划（MIPs），从CMIP6的事后碳核算演进至CMIP7的标准化核算，通过MareNostrum 5模拟评估不同核算边界的影响，提出MIPs能源与碳核算标准化的关键方法考量。
2026-08-31 cs.CY
How sustainable is "common" data science in terms of power consumption?
数据科学的不断发展使得机器学习模型的复杂性呈指数级增长。此外，数据科学家在私人市场、学术环境中无处不在，甚至作为一种爱好。所有这些趋势都在稳步上升，并与电力消耗和相关碳足迹的增加有关。大规模先进数据科学日益增加的碳足迹已经受到关注，但后一种趋势还没有得到关注。这项工作旨在估计日益流行的“通用”数据科学对全球碳足迹的贡献。为此，将测量上述常见数据科学任务中的几个典型任务的功耗，并将其与以下任务进行比较：大规模“高级”数据科学、常见计算机相关任务和日常非计算机相关任务。这是通过将测量值转换为“汽车行驶公里数”的等效单位来完成的。我们的主要发现是：“普通”数据科学消耗的$2.57$功率比常规计算机使用多，但比一些常见的日常耗电任务（如照明或加热）少;大规模数据科学消耗的功率比普通数据科学多得多。
2022-07-05 cs.CY
Rethinking Digitalization and Climate: Don't Predict, Mitigate
本文质疑数字化气候影响可预测性，指出其碳足迹本质不可预测，并基于不确定性理论提出将实践从预测转向减缓，以应对绿色转型中的核心挑战。
2024-06-16 cs.CY econ.GN q-fin.EC
