大規模言語モデルとマルチエージェント協調に基づく計算エネルギー園区の低炭素運用意思決定
Low-carbon operational decision-making for computing-energy parks based on large language models and multi-agent collaboration (原題)
Zeqi Zhang, Yingjie Li, Danhui Lai, Ningrui Zhou, Qinhui Zhan
🤖 gxceed AI 要約
日本語
本論文は、大規模言語モデル（LLM）とマルチエージェント協調を用いて、計算エネルギー園区の低炭素運用を最適化する手法を提案する。動的炭素排出係数（DCEF）を導入し、複数エージェントが炭素状況、タスク柔軟性、リソース可用性を認識し、LLM駆動のコーディネータが解釈可能なスケジューリング決定を生成する。シミュレーションでは、従来のDCEF閾値法と比較して炭素排出量を2.20%削減し、有効性を示した。
English
This paper proposes a low-carbon operational decision-making method for computing-energy parks using large language models (LLMs) and multi-agent collaboration. A dynamic carbon emission factor (DCEF) captures time-varying carbon signals, and agents perceive carbon status, task flexibility, and resource availability. An LLM-driven coordinator generates interpretable scheduling decisions, and a benefit-driven workload migration strategy executes low-carbon operation. Simulations show a 2.20% carbon reduction compared to conventional DCEF-threshold methods, demonstrating effectiveness and interpretability.
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
日本のデータセンターや計算インフラの脱炭素化に示唆を与える。GXリーグや省エネ法の枠組みでのエネルギー管理に応用可能。
In the global GX context
This work contributes to global efforts on AI-driven energy efficiency and carbon reduction in data centers, aligning with TCFD/ISSB disclosure expectations for operational emissions.
👥 読者別の含意
🔬研究者:AI×ESGの実装例として、LLMとマルチエージェントによる炭素削減の有効性を示す。
🏢実務担当者:データセンターや計算インフラの運用最適化に応用可能な具体的な手法を提供。
🏛政策担当者:AIを活用した省エネ・脱炭素政策の可能性を示す事例。
📄 Abstract（原文）
With the rapid growth of computing loads, computing-energy parks are under increasing pressure to achieve low-carbon and efficient operation. This paper proposes a low-carbon operational decision-making method for computing-energy parks based on large language models (LLMs) and multi-agent collaboration. A dynamic carbon emission factor (DCEF) is introduced to characterize time-varying carbon signals, while multiple agents are designed to perceive carbon status, task flexibility, and resource availability. Based on these inputs, an LLM-driven coordinator generates interpretable scheduling decisions, and a benefit-driven workload migration strategy is used to execute low-carbon operation under capacity constraints. Simulation results show that, compared with the conventional DCEF-threshold-based method, the proposed approach reduces total carbon emissions from 28,194.56 kgCO2 to 27,574.43 kgCO2, achieving a 2.20% improvement in carbon reduction. The proposed method provides an effective and interpretable solution for low-carbon operation of computing-energy parks.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1049/icp.2026.3467first seen 2026-08-27 05:02:00
🔔 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。