本研究通过数据驱动的 AI 方法，应用机器学习模型，探索采用再生和回收材料的敏捷制造决策支持的材料科学中的环境可持续性，通过对热处理参数对材料性质的影响、颗粒尺寸检测和短语分数检测进行预测分析，得出了很多有希望的结果，但是之后的工作仍需面对各种挑战。

Mar, 2023

本文着眼于 AI 的可持续性发展问题，分析了解决该问题的机器学习方法和算法，并提出对可持续 AI 技术研究的挑战和发展方向的建议。

May, 2022

人工智能 AI 目前以深度学习等机器学习方法为核心，然而这些方法在计算、能源消耗和碳排放等方面存在环境问题。提高机器学习系统的效率仅仅是解决环境影响的一方面，系统思维则被认为是改善机器学习环境可持续性的可行途径。

Sep, 2023

本篇研究从数据、算法和硬件系统综合视角探讨了 AI 的超线性增长趋势对环境的影响，着重分析了 AI 计算的碳足迹和硬件系统的全生命周期，并提出了硬件 - 软件设计和优化对减少 AI 总体碳足迹的重要性，讨论了 AI 领域的挑战和发展方向。

Oct, 2021

我们通过开发若干视觉系统，实现了资源映射和量化、废物分类和拆解等三个主要循环经济任务，从而向循环医疗迈出了一步。我们的研究表明，基于表示学习的视觉系统可以改善回收链，而自主系统是关键因素之一，因为它们可以降低污染风险。我们还公开了两个完整注释的数据集，用于吸入器和血糖仪拆解操作的图像分割和关键点跟踪。数据集和源代码都可以公开获取。

Sep, 2023

利用深度学习技术和计算机视觉，本文展示了如何识别产品磨损状态，以实现更好的产品使用和研发创新，通过生命周期评估表明，对于加工工具的二氧化碳排放量减少 12％，对于旋转阴极减少 44％，这可以作为指南，鼓励研究人员利用计算机视觉开发可持续智能产品服务系统，从而实现更清洁的生产。

Mar, 2023

通过引入自主纺织品分析管道，本文解决了传统纺织品分类方法的低效率问题。利用机器人、光谱成像和人工智能分类，我们的系统提高了纺织品分类过程的准确性、效率和可扩展性，为废物管理提供了更可持续和循环化的方法。通过数字孪生系统的整合，进一步评估了技术和经济可行性，为分类系统的准确性和可靠性提供了有价值的洞察。该提出的框架受工业 4.0 原则的启发，包括五个相互连接的层，实现了系统内的无缝数据交换和协调。初步结果突显了我们的整体方法在减少环境影响和促进纺织品行业向循环经济转变方面的潜力。

May, 2024

人工智能在技术和研究方面取得了显著的进展，并广泛应用于计算视觉、自然语言处理、时间序列分析、语音合成等多个领域。然而，随着大型语言模型的出现，研究人员的注意力主要集中在追求最新的技术成果，导致模型规模和计算复杂性不断增加，需要更高的计算能力，进而产生更高的碳排放量，阻碍了资金有限的中小型研究机构和公司参与研究，并引发研究公平性的问题。为应对计算资源和人工智能的环境影响，绿色计算已成为一个热门的研究课题。在本调研中，我们对绿色计算中使用的技术进行了系统概述，并提出绿色计算的框架，将其分为四个关键组成部分：(1) 绿色度量指标，(2) 能效人工智能，(3) 能效计算系统和 (4) 可持续发展的人工智能应用案例。针对每个组成部分，我们讨论了研究进展及常用的优化技术，结论表明这个新的研究方向有潜力解决资源限制与人工智能发展之间的冲突。我们鼓励更多的研究人员关注这个方向，使人工智能更加环保友好。

Nov, 2023

本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

Mar, 2020

城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

Aug, 2023