← 論文一覧に戻る

デュアルカーボン目標下におけるビッグデータとインテリジェントアルゴリズムに基づくポリシリコン材料フローの識別とリスク警告手法

The identification and risk warning methods of polysilicon material flow based on big data and intelligent algorithms under the dual carbon goals (原題)

Jiu-Hong Yu

International Conference on Algorithms, Image Processing, and Deep Learning (AIPDL 2026)学会2026-11-05#AI×ESGOrigin: CN経営インパクト: コスト削減対象セクター: manufacturing
DOI: 10.1117/12.3126531
原典: https://doi.org/10.1117/12.3126531

🤖 gxceed AI 要約

日本語

ポリシリコン産業向けに、ビッグデータとグラフニューラルネットワークを活用した炭素会計・最適化フレームワークを提案。原材料調達から生産、流通までの多層炭素会計モデルを構築し、動的多目的進化アルゴリズムでコストとライフサイクル排出を同時削減する。GNNによる時空間異常検知とリアルタイム警告でプロセス異常に迅速対応し、低炭素管理のトレーサビリティと監査可能性を確保する。

English

Proposes an integrated carbon accounting and optimization framework for the polysilicon industry using big data and graph neural networks. A multilayered carbon accounting model links procurement, operations, and distribution, while a dynamic multi-objective evolutionary algorithm reduces cost and lifecycle emissions. GNN-based spatiotemporal anomaly detection enables real-time risk alerts, ensuring traceable and auditable low-carbon management.

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

SSBJや有報でのScope 3開示が進む中、サプライチェーン上流の素材産業におけるAI活用型炭素会計は、日本企業の調達段階の排出データ精度向上に示唆を与える。特にポリシリコンは太陽光パネル供給網の重要素材であり、国内再エネ導入のサプライチェーン透明性確保に寄与する。

In the global GX context

As ISSB and CSRD push for Scope 3 transparency, this AI-driven carbon accounting approach for upstream materials offers a scalable model for supply-chain emissions traceability. It bridges operational optimization with carbon compliance, relevant to global disclosure frameworks requiring auditable lifecycle data.

👥 読者別の含意

🔬研究者:AIと炭素会計の統合手法、特にGNNを用いた異常検知と多目的最適化の応用可能性を学べる。

🏢実務担当者:素材調達段階の排出データ収集とリアルタイム監視の自動化により、Scope 3報告の精度向上とコスト削減を両立するヒントを得られる。

🏛政策担当者:デジタル技術を活用した炭素会計の監査可能性向上は、排出量報告制度の信頼性確保に向けた政策的示唆を含む。

📄 Abstract（原文）

An integrated carbon accounting and optimization framework is proposed for the polysilicon industry, enabling precise material flow identification and automated risk warning using big data streams and graph neural networks. The core system establishes a multilayered carbon accounting model linking raw material procurement, plant operations, and product distribution, with quantification directly grounded in process and sensor data at each production stage. To optimize decision-making, a dynamic multi-objective evolutionary algorithm has been embedded, capable of reducing the total cost and lifecycle emissions of the entire supply chain while adhering to physical and operational constraints. Based on digitalization, the platform integrates a specially designed graph neural network to detect spatiotemporal anomalies, monitor transmission paths and production nodes, and identify minor process disturbances before issues escalate. In order to respond to abnormal events in a targeted manner, real-time alerts are automatically prioritized and integrated into the platform's decision support layer. Industrial deployments have shown observable improvements, such as reduced material costs, improved emission control, and shorter anomaly response times. Closed-loop systems ensure that low-carbon management is traceable and auditable, bridging the gap between operational optimization and carbon compliance. By combining computational intelligence with the digitalization of process industries, this approach provides scalable data driven solutions for complex manufacturing environments.

🔗 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。