SiteFootprint：AI学習の地点別炭素・水フットプリント
SiteFootprint: location-resolved carbon and water footprints of AI training (原題)
Lawrence Oladeji
🤖 gxceed AI 要約
日本語
AIモデル学習時の運用炭素排出とオンサイト水使用量を、任意の立地について時間単位で推計するツール。実気象データからデータセンター冷却を計算し、系統炭素強度と組み合わせて95%不確実性範囲付きで地点間比較を提示する。冷却モデルはGoogleのPUEで較正し未見キャンパスでMAE0.010、エネルギー推定はMetaのLlama 3.1 405B開示値と5%以内で一致。Pythonパッケージ・CLI・Webアプリとして公開。
English
SiteFootprint estimates operational carbon emissions and on-site water use of AI training at any location, computing hourly data-centre cooling from real weather and combining it with grid carbon intensity, with 95% uncertainty ranges and paired location comparisons. The cooling model was calibrated on Google campus PUE (MAE 0.010 on unseen campuses) and the energy model reproduces Meta's disclosed Llama 3.1 405B training hours within 5%. Released as a Python package, CLI and web app with citable exports.
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利用拡大に伴うデータセンターの電力・水消費は、SSBJのScope2・水リスク開示や投資家の気候リスク評価で重要性が増している。本ツールは立地選択による排出・水影響の差を定量化でき、国内のデータセンター立地・再エネ調達戦略の検討材料となる。
In the global GX context
As AI compute scales, data-centre electricity and water use are becoming material under CSRD/ISSB Scope 2 and water-risk disclosure, and for investor climate-risk assessment. SiteFootprint offers a transparent, location-resolved method to quantify and compare these impacts, supporting siting and procurement decisions and emerging AI-specific disclosure expectations.
👥 読者別の含意
🔬研究者:AI・データセンターのライフサイクル評価や立地別環境影響の定量研究に再利用可能な手法と較正済みモデルを提供する。
🏢実務担当者:自社のAI学習・データセンター運用の炭素・水フットプリントを地点別に試算し、立地選定や再エネ調達の意思決定に活用できる。
🏛政策担当者:データセンターの電力・水使用に関する開示枠組みや立地政策を検討する際の定量エビデンスとして参照できる。
📄 Abstract（原文）
SiteFootprint estimates the operational carbon emissions and on-site water use of training an AI model at any location. It computes data-centre cooling hour by hour from real weather, combines it with annual grid carbon intensity, and reports results with 95% uncertainty ranges and paired comparisons between locations. The cooling model was calibrated on published Google campus PUE and tested on unseen campuses (mean absolute error 0.010), and the energy model reproduces Meta's disclosed Llama 3.1 405B training hours to within 5%. Available as a Python package, a command-line tool and a web app, with citable exports.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.5281/zenodo.22983787first seen 2026-09-28 05:22:40 · last seen 2026-09-28 05:22:42
🔔 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。