研究の概要

スマートカメラ・産業センサー・現場AI推論デバイスなど、数十億台規模で普及が進む「常時起動型エッジAI」は、大規模データセンターに次ぐ新たな電力消費・炭素排出源として注目されています。しかしこれらのデバイスのエネルギー管理は「電力さえあれば動かし続ける」というシンプルな制御に留まっており、電源の炭素強度（kgCO₂/kWh）に応じた動的制御はほとんど実装されていませんでした。

本研究では、エッジデバイスに搭載されるバッテリーを「時間的バッファ」として積極活用するフレームワーク「FM-CAC（Foundation Model Carbon-Aware Control）」を提案します。バッテリーがあることで「炭素強度が低い時間帯（再エネ比率が高い時間帯）に電力を蓄え、炭素強度が高い時間帯は蓄電した電力で動かす」という時間シフトが可能になります。

時系列基盤モデル（TSFM）を用いたゼロショット炭素強度予測により、各地域の電力系統の炭素集中度を事前学習なしでリアルタイム予測。動的計画法（遅延コスト帰属付き）で「ソフトウェアパイプラインの選択」「ハードウェア動作点（クロック周波数・電圧）」「バッテリーの充放電量」を同時最適化します。「バッテリーを使い切ってしまう近視眼的行動」を防ぐ遅延コスト帰属設計が制御品質の鍵となっています。

主な発見・成果

  • 炭素排出量を最大65.6%削減しつつ推論精度を最大水準に維持
  • ゼロショット炭素強度予測（新地域への事前学習不要）をTSFMで実現
  • ソフトウェアパイプライン・ハードウェア設定・バッテリー管理の3層同時最適化フレームワークを確立
  • 遅延コスト帰属設計により「カーボンフリー時間帯を過ぎてもバッテリーを確保できる」長期的最適化を実現
  • エッジデバイス（低計算リソース）で動作する軽量制御アーキテクチャを実証

実務への応用

AIデータセンターや工場内エッジAI設備のScope 2（電力由来）炭素排出削減に直接応用できる研究です。

最も重要な実務的含意は「AIワークロードの実行タイミングを炭素強度に連動させる」という制御設計原理の実証です。工場や物流拠点に設置されたAI推論デバイス（品質検査カメラ・需要予測サーバー等）の炭素管理において、「炭素強度の高い時間帯の処理を遅延・間引く」制御を実装することで、追加の再エネ調達なしにScope 2排出量を大幅削減できます。

特にバッテリーを搭載するエッジデバイス（工場UPS付き設備・EV隣接設備等）では本フレームワークをそのまま適用できる可能性があります。また「炭素強度予測→ワークロードスケジューリング」というアーキテクチャは、クラウドHPC・データセンターの需要応答制御にも拡張できます。GX担当者は「AIのScope 2削減」の技術オプションとして3〜5年ウォッチリストに加えるべき設計原理です。