← 論文一覧に戻る

AIワークロードの炭素強度予測とカーボン考慮型スケジューリングのためのCarbonBalanceフレームワーク

Carbonbalance framework for carbon intensity forecasting and carbon aware scheduling of ai workloads (原題)

Sanjit Kumar Dash, Subhankar Poddar, Mohammed Altaf Ahmed, Qutubuddin Mohammed

Discover Computing📚 査読済 / ジャーナル2026-10-24#AI×ESGOrigin: Global経営インパクト: コスト削減対象セクター: power
DOI: 10.1007/s10791-026-10708-7
原典: https://doi.org/10.1007/s10791-026-10708-7

🤖 gxceed AI 要約

日本語

本論文は、LLMの膨大な計算需要に伴う炭素排出を削減するCarbonBalanceフレームワークを提案する。LightGBMとProphetで電力グリッドの炭素強度を予測し、最適化スケジューラで非緊急AIタスクを炭素強度の低い時間・場所へ誘導する。評価では炭素排出を41.6%削減しつつ、重要タスクの遅延はゼロを維持した。

English

This paper proposes CarbonBalance, a framework combining a LightGBM/Prophet carbon-intensity forecasting pipeline with an optimization scheduler that shifts non-urgent AI workloads to cleaner times and locations. Evaluated scenarios achieved a 41.6% carbon reduction while critical workloads kept zero scheduling delay, supporting more sustainable AI execution.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

AIの電力消費と炭素排出は、データセンターのScope 2管理や再生可能エネルギー調達の議論と直結する。国内でもAI需要拡大に伴う電力・炭素管理はGX政策上の重要論点となりつつあり、実務者への示唆がある。

In the global GX context

As AI compute grows, carbon-aware scheduling links directly to Scope 2 accounting and renewable procurement for data centers. It offers a quantitative method for operational decarbonization that complements disclosure-focused frameworks like TCFD and CSRD.

👥 読者別の含意

🔬研究者:炭素強度予測と負荷スケジューリングを組み合わせた定量手法として、AI運用の脱炭素研究に有用。

🏢実務担当者:データセンター運用チームが非緊急AIジョブを低炭素時間帯へシフトしScope 2排出を削減する実装ヒントになる。

🏛政策担当者:AI電力需要の増大に対し、炭素考慮型運用を促す政策的インセンティブ設計の根拠になり得る。

📄 Abstract（原文）

The Large Language Models have very powerful features that completely changed the artificial intelligence scenario, but at the same time, their enormous computational demands are the source of serious environmental problems especially in terms of energy use and carbon release. The present day AI practices concentrate on speeding up the process without taking the environmental effect of the power sources into account. As a solution to this problem, this research proposes CarbonBalance framework. This framework introduces the integration of two components i.e. forecasting pipeline and a scheduling pipeline. The forecasting pipeline makes use of a machine learning pipeline where historical energy and weather data is processed. It adopts LightGBM for capturing complicated feature relations and Prophet for modeling temporal patterns in carbon intensity and provides accurate prediction of grid carbon levels for the scheduling pipeline, which uses an optimization scheduler and LLM profiles to make its decisions to direct non-urgent AI tasks to cleaner energy times and locations without affecting the critical tasks. Through this approach, the evaluated scheduling scenarios achieved a 41.6% reduction in carbon emissions, while critical workloads maintained zero scheduling delay. Thus, the framework supports more sustainable AI workload execution. Not applicable.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。