A Footprint-Aware, High-Resolution Approach for Carbon Flux Prediction Across Diverse Ecosystems
University of Oregon(俄勒冈大学);Lawrence Berkeley National Lab(劳伦斯伯克利国家实验室)
本文提出了一种面向足迹的深度学习框架FAR,用于高分辨率预测不同生态系统中的碳通量,通过结合地面塔数据和卫星影像,实现了高精度的碳通量预测。
2026-10-07 cs.LG
LLMSpace: Carbon Footprint Modeling for Large Language Model Inference on LEO Satellites
Indiana University(印第安纳大学)
本文提出LLMSpace框架,用于建模AI赋能低地球轨道卫星上大型语言模型推理的碳足迹,分析碳足迹、延迟、硬件设计和使用寿命之间的关键权衡。
2026-05-08 cs.CY cs.LG
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
Carbon Footprint of Selecting and Training Deep Learning Models for Medical Image Analysis
University of Copenhagen(哥本哈根大学);McGill University(麦吉尔大学)
由于不断增长的计算需求,深度学习(DL)的能耗和碳足迹不断增加,这已成为一个令人担忧的问题。在这项工作中,我们专注于开发DL模型的医学图像分析(MIA),其中处理高空间分辨率的体积图像的碳足迹。在这项研究中,我们提出并比较了文献中的四种工具来量化DL的碳足迹。使用这些工具中的一个,我们估计了医学图像分割管道的碳足迹。我们选择nnU-net作为医学图像分割管道的代理,并在三个常见的数据集上进行实验。通过我们的工作,我们希望了解MIA所产生的不断增加的能源成本。我们讨论了减少环境影响的简单策略,可以使模型选择和训练过程更有效。
2022-09-15 cs.CV cs.LG eess.IV
EcoLearn: Optimizing the Carbon Footprint of Federated Learning
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Massachusetts Institute of Technology(麻省理工学院);Telefonica Research(电信研究院)
针对联邦学习碳足迹高且现有研究未优化碳效率的问题,提出碳感知框架EcoLearn,通过多环节碳优化策略,在保持准确率和训练时间稳定的同时大幅降低碳排放。
2025-05-18 cs.DC cs.LG
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 Energy and Carbon Footprint Analysis of Distributed and Federated Learning
传统的集中式人工智能(AI)方法需要将数据从生产者(传感器、机器)转移到能源密集的数据中心,由于计算和通信资源需求而引发了环境问题,同时侵犯了隐私。新兴的替代方案,以减轻这种高能源成本的建议,有效地分布,或联邦,跨设备的学习任务,这通常是低功耗的。本文提出了一种新的框架,用于分析分布式和联邦学习(FL)中的能源和碳足迹。拟议的框架量化了香草FL方法和基于共识的完全分散方法的能源足迹和碳当量排放。我们讨论了支持绿色FL设计和支持其可持续性评估的最佳界限和操作点。分析了新兴5G行业垂直领域的两个案例研究:这些案例量化了持续和强化学习设置的环境足迹,其中定期重复训练过程以实现持续改进。在所有情况下,分布式学习的可持续性依赖于满足对通信效率和学习者群体规模的特定要求。考虑到目标工业应用的模型和数据足迹,还应权衡能量和测试精度。
2022-06-21 cs.LG stat.ML
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
Towards Sustainable SecureML: Quantifying Carbon Footprint of Adversarial Machine Learning
School of Computing, Southern Illinois University(南伊利诺伊大学计算机学院);Secure and Trustworthy Intelligent Systems (SHIELD) Lab(安全与可信智能系统实验室)
本文首次研究对抗机器学习的碳足迹,提出鲁棒性碳权衡指数(RCTI)以量化模型鲁棒性与碳排放之间的权衡关系,并通过逃避攻击实验验证其有效性。
2024-03-27 cs.CR cs.LG
Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning
Stanford University(斯坦福大学);Facebook(脸书);Mila(米拉人工智能研究所);McGill University(麦吉尔大学);Facebook AI Research(脸书人工智能研究院)
准确报告能源和碳使用情况对于了解机器学习研究的潜在气候影响至关重要。我们引入了一个框架,通过提供一个简单的界面来跟踪实时能源消耗和碳排放,以及生成标准化的在线附录,使这一点变得更容易。利用这个框架,我们为节能强化学习算法创建了一个排行榜,以激励该领域负责任的研究,作为机器学习其他领域的一个例子。最后,基于使用我们的框架的案例研究,我们提出了减少碳排放和减少能源消耗的战略。通过让记账变得更容易,我们希望进一步推动机器学习实验的可持续发展,并刺激更多对节能算法的研究。
2022-11-29 cs.CY cs.LG
A first look into the carbon footprint of federated learning
Flower Labs GmbH(Flower实验室有限公司);Nokia Bell Labs(诺基亚贝尔实验室);University of Cambridge(剑桥大学);Avignon Université(阿维尼翁大学);University of Oxford(牛津大学)
本文首次系统研究联邦学习的碳足迹,提出严格量化模型,发现其碳排放依配置最高可比集中式学习多两个数量级,并指出未来需从算法、硬件和行业透明度方面减少环境影响。
2023-05-22 cs.DC cs.LG
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
The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink
Google(谷歌);University of California, Berkeley(加州大学伯克利分校)
机器学习(ML)工作负载的重要性迅速增长,但也引发了人们对其碳足迹的担忧。四种最佳实践可以将机器学习培训能源减少高达100倍,二氧化碳排放量减少高达1000倍。通过遵循最佳实践,在过去三年中,总体ML能源使用(包括研究、开发和生产)稳定在Google总能源使用的15%以下。如果整个ML领域都采用最佳实践,那么来自培训的总碳排放量将减少。因此,我们建议ML论文明确包括排放,以促进不仅仅是模型质量的竞争。论文中省略了排放量的估计值已经偏离了100 - 100,000倍,因此公布排放量有确保准确核算的额外好处。考虑到气候变化的重要性,我们必须掌握正确的数字,以确保我们应对其最大的挑战。
2022-04-11 cs.AI cs.GL cs.LG
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
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
Carbon Intensity-Aware Adaptive Inference of DNNs
Singapore American School(新加坡美国学校)
针对DNN推理高能耗与碳足迹问题,提出随日间碳强度变化自适应调整模型大小与精度的启发式算法,并引入碳排放效率指标,在提升视觉识别精度时实现高达80%的碳排放效率提升。
2024-03-23 cs.AI cs.LG
Green Federated Learning
Meta;Pennsylvania State University(宾夕法尼亚州立大学)
本文提出Green FL概念,通过优化联邦学习参数和设计选择最小化碳排放,并基于数百万台手机的真实大规模FL任务数据量化碳排放,探讨能效、性能与训练时间的权衡,为Green AI研究奠定基础。
2023-08-01 cs.LG
Can Federated Learning Save The Planet?
University of Cambridge(剑桥大学);Avignon Université(阿维尼翁大学);Adap;University College London(伦敦大学学院)
尽管取得了令人印象深刻的成果,但基于深度学习的技术也引发了严重的隐私和环境问题,这是由数据中心经常进行的训练过程引起的。作为回应,集中式培训的替代方案,如联邦学习(FL)已经出现。也许出乎意料的是,FL开始在全球范围内部署,这些公司必须遵守来自政府和民间社会的隐私保护的新法律要求和政策。然而,与FL相关的潜在环境影响仍然不清楚和未探索。本文首次系统地研究了FL的碳足迹。首先,我们提出了一个严格的模型来量化碳足迹,从而促进FL设计和碳排放之间的关系的调查。然后,我们比较了FL与传统集中式学习的碳足迹。我们的研究结果表明,尽管FL收敛速度较慢,但它可以成为比数据中心GPU更环保的技术。最后,我们强调并将报告的结果与FL未来的挑战和趋势联系起来,以减少其对环境的影响,包括算法效率,硬件功能和更强的行业透明度。
2021-04-07 cs.LG
Improve Machine Learning carbon footprint using Nvidia GPU and Mixed Precision training for classification models -- Part I
Sony(索尼)
本文通过定制PC实验比较32位浮点与Nvidia混合精度训练分类DNN的功耗,发现混合精度结合特定超参数可降低7-11瓦功耗及碳足迹,但统计检验未见显著性,建议扩大GPU集群样本量。
2024-09-28 cs.LG
AOLO: Analysis and Optimization For Low-Carbon Oriented Wireless Large Language Model Services
School of Information and Communication Engineering, Beijing University of Posts and Telecommunications(北京邮电大学信息与通信工程学院);University of Hong Kong(香港大学);College of Information and Communication Engineering, Sungkyunkwan University(成均馆大学信息与通信工程学院)
本文提出AOLO框架,通过量化计算推理与无线通信全链路碳足迹并联合优化推理输出与发射功率,利用基于SNN的深度强化学习算法,显著降低了无线LLM服务的总体碳足迹。
2025-03-06 cs.LG cs.SY eess.SY
A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning
Consiglio Nazionale delle Ricerche (CNR)(意大利国家研究委员会);University of Oulu(奥卢大学)
由于训练和将数据移动到数据中心/从数据中心移动数据所需的大量能量,分布式学习的最新进展引起了环境问题。新的范例,如联邦学习(FL),适用于同时充当数据生产者和学习者的设备或筒仓的分散模型训练。与集中式学习(CL)技术不同,它依赖于位于高能耗数据中心的大数据融合和分析,在FL场景中,设备协作训练它们的模型,而不共享它们的私有数据。本文分析了影响FL策略环境足迹的主要因素,并与数据中心中运行的经典CL/大数据算法进行了比较。拟议的分析框架考虑到学习和通信能源成本,以及碳当量排放量;此外,它模型香草和分散FL政策的共识驱动。该框架在工业环境中进行评估,假设现实世界的机器人化工作场所。结果表明,FL允许显着的端到端的能量节省(30%-40%)的无线系统的特点是低比特/焦耳效率(50 kbit/焦耳或更低)。光纤驱动的FL不需要参数服务器,并进一步减少了网状网络中的辐射(200 kbit/Joule)。另一方面,当本地数据分布不均匀时,所有FL策略收敛速度较慢(通常比CL慢2倍)。能源足迹和学习损失可以权衡以优化效率。
2021-03-18 cs.DC cs.LG
CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data Centers
University of Miami(迈阿密大学);University of California, Riverside(加州大学河滨分校)
针对地理分布式数据中心训练AI模型的高碳足迹问题,提出碳感知联邦学习框架CAFE,在固定碳预算内优化学习性能,并通过真实数据模拟验证其优越性。
2024-02-06 cs.DC cs.LG
Performance-Carbon Trade-Offs across Architectural Biases in Shear Flow Forecasting
Department of Computer Science, University of Copenhagen, Denmark(丹麦哥本哈根大学计算机科学系);Niels Bohr Institute, University of Copenhagen, Denmark(丹麦哥本哈根大学尼尔斯·玻尔研究所)
本文研究了在不可压缩剪切流的时空预测任务中,物理归纳偏置如何在模型效能和效率(计算、能源和碳足迹)之间提供有用的折中,发现更强的物理先验能显著降低训练足迹,但这一优势不直接延伸到推理阶段,强调了在完整模型生命周期中评估碳成本的重要性。
2026-08-14 cs.LG
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
Carbon Footprint Reduction for Sustainable Data Centers in Real-Time
针对数据中心多目标碳优化缺乏实时方案的问题,提出DC-CFR多智能体强化学习框架,可协同优化制冷、负载转移与储能,在多地区一年期测试中较行业标准控制器大幅降低碳排放、能耗与成本。
2025-05-18 cs.AI cs.LG cs.MA
Chasing Low-Carbon Electricity for Practical and Sustainable DNN Training
University of Michigan(密歇根大学)
提出Chase解决方案,通过实时监测碳强度并控制GPU能耗,在不迁移或推迟任务的情况下减少DNN训练碳足迹,同时利用轻量级ML算法预测碳强度,在ImageNet上训练ResNet-50时减少13.6%碳排放且仅增加2.5%训练时间。
2023-04-02 cs.AI cs.DC cs.LG
AIMeter: Measuring, Analyzing, and Visualizing Energy and Carbon Footprint of AI Workloads
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));National University of Defense Technology(国防科技大学);University of Victoria(维多利亚大学)
针对现有AI能耗碳排放测量工具零散、缺系统指标整合与相关性分析支持的问题,本文提出工具包AIMeter,可无缝集成AI框架,提供标准化报告、细粒度数据及相关性分析,助力绿色AI发展。
2025-10-30 cs.AI cs.DC cs.LG
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
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
Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models
University of California, Riverside(加州大学河滨分校)
本文提出估算AI模型水足迹的方法,揭示其隐藏的水消耗(如GPT-3训练蒸发70万升水),并强调需将水足迹与碳足迹整体考量以实现可持续AI。
2025-03-26 cs.AI cs.LG
SHIELD: Sustainable Hybrid Evolutionary Learning Framework for Carbon, Wastewater, and Energy-Aware Data Center Management
Colorado State University(科罗拉多州立大学);Hewlett Packard Labs(惠普实验室)
针对地理分布式数据中心碳排放、水足迹高及能源成本上升的问题,提出融合机器学习引导局部搜索与分解进化算法的SHIELD框架,协同优化多项目标,在效率和优化效果上均显著优于现有方法。
2023-08-24 cs.DC cs.LG cs.NE
FedGreen: Carbon-aware Federated Learning with Model Size Adaptation
University of Calgary(卡尔加里大学);Michigan State University(密歇根州立大学)
本文提出FedGreen,一种碳感知联邦学习方法,通过基于客户端碳概况和位置采用有序丢弃技术自适应共享模型大小,在保持模型精度的同时大幅减少碳排放。
2024-04-23 cs.AI cs.DC cs.LG
Photonics for Sustainable Computing
Boston University(波士顿大学);NY CREATES(纽约创造研究所);Lightmatter(Lightmatter公司);Cornell Tech(康奈尔科技学院)
本文构建光子芯片碳足迹模型,以ADEPT加速器为案例,证明光子学凭借高能效和更低制造碳成本,可同时降低运行与隐含碳足迹,是可持续计算的可行途径。
2024-01-10 cs.ET cs.LG
CarbonEdge: Carbon-Aware Deep Learning Inference Framework for Sustainable Edge Computing
George Washington University(乔治华盛顿大学);Youngstown State University(扬斯敦州立大学)
本文提出CarbonEdge框架,通过碳足迹估算和绿色调度能力,在边缘计算中实现碳感知的深度学习推断,实验显示其在减少碳排放和提升碳效率方面表现突出。
2026-04-01 cs.AI cs.DC cs.LG
Improve Machine Learning carbon footprint using Parquet dataset format and Mixed Precision training for regression models -- Part II
Sony(索尼)
本文比较了CSV与Parquet格式及混合精度训练对回归模型功耗的影响,发现特定超参数下混合精度可降低功耗7-11瓦,但统计检验表明这些技术对整体碳足迹无显著改善。
2024-09-20 cs.AI cs.LG
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
Reconstructing Carbon Monoxide Reanalysis with Machine Learning
European Center of Medium-Range Weather Forecast (ECMWF)(欧洲中期天气预报中心)
本研究利用机器学习方法,从控制模型模拟中预测月均总一氧化碳柱含量再分析,以弥补卫星观测数据的缺失。
2026-02-12 cs.AI cs.LG physics.ao-ph
Explainable automatic industrial carbon footprint estimation from bank transaction classification using natural language processing
University of Vigo(维戈大学);Telecommunication Engineering School(电信工程学院)
针对工业碳足迹估算中机器学习模型缺乏透明度的问题,提出一种基于银行交易分类的可解释机器学习方案,采用多种模型达到90%以上准确率,并通过局部可解释模型自动验证解释术语,实现透明可靠的碳足迹估算。
2024-05-23 cs.AI cs.CE cs.CL
A Configurable Pythonic Data Center Model for Sustainable Cooling and ML Integration
Hewlett Packard Enterprise (Hewlett Packard Labs)(慧与(惠普实验室))
本文提出PyDCM,一个可配置的Python数据中心模型库,支持快速原型设计与强化学习控制,用于评估碳足迹、能耗和温度热点,并可与EnergyPlus对比,亦可作为Gymnasium环境使用。
2024-04-18 cs.AI cs.LG cs.SY