- 大规模城市道路网络的可微分预测控制
基于物理学知识的机器学习方法，该论文提出了一种新的交通网络控制方法，通过基于宏观基本图 (MFD) 和网络宏观基本图 (NMFD) 的简化表示，实现对交通网络的优化控制，以减少能源相关排放和缓解拥堵问题。该方法通过与现有的模型预测控制 (M - 数据驱动的电力管理：多区域协调数据和知识图谱
由于人口增长和技术进步，全球的电力消耗和二氧化碳排放都在增加。住宅部门占全球电力消耗的 25%，具有提高效率和减少二氧化碳排放的潜力，同时不降低舒适度。然而，缺乏涵盖多个地区的家庭级统一消耗数据，限制了大规模研究和强大的多区域模型开发。本文 - 利用自然语言处理从银行交易分类中解释自动工业碳足迹估算
通过银行交易分类的可解释机器学习解决方案，该研究提出了一种新的方法来自动计算系统的碳排放量，并且通过本地解释模型验证了解释性术语的准确性。
- 绿色人工智能：探索大型语言模型训练中的碳足迹、减缓策略和权衡
该研究评估了大规模语言模型的二氧化碳排放，并提出减少碳排放的措施，探讨了硬件选择对二氧化碳排放的影响。基于结果，提出了培训更环境友好的人工智能模型的可能性，并认为可以在不牺牲其鲁棒性和性能的情况下实现。
- 基于图像的深度学习用于新鲜混凝土性能的时间相关预测
增加混凝土生产过程中数字化和自动化的程度可以在减少与混凝土生产相关的 CO2 排放中起到至关重要的作用。本文提出了一种方法，可以基于混凝土流动行为的立体图像序列来预测新鲜混凝土的性质。该预测使用了卷积神经网络（CNN），它接收以图像为输入并 - 建成环境与诱发的交通 CO2 排放：利用双机器学习方法考虑住宅自我选择
为了解为什么城市中心和郊区居民的出行行为不同，以可持续的城市规划为主旨。特别是在城市迅速增长的背景下，识别能够减少出行需求和 CO2 排放的住房位置对于缓解气候变化至关重要。尽管建筑环境起着重要作用，但对于出行行为的精确影响却被居民自我选择 - 二氧化碳（CO₂）的预测、捕获和利用：应用时间序列分析、机器学习和材料设计的集成
本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家（EU27＆英国，意大利，德国，西班牙）和印度的电力，工业，陆上交通，国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者，并利用 L - 神经网络结构训练的能效：一项实证研究
本文通过使用深度卷积神经网络的实证研究，研究了深度学习模型的体系结构与其环境影响之间的关系，重点关注能源消耗和二氧化碳排放等方面的交易，并探讨了精度和能源效率之间的权衡，以及使用软件和硬件工具测量能量消耗的差异。
- 加拿大世界银行数据上的碳排放预测
本研究使用世界银行数据集，通过采用机器学习技术对未来十年二氧化碳排放情况进行预测，并对决策树、线性回归、随机森林和支持向量机等不同机器学习模型在相似数据集上的预测表现进行比较。
- 机器学习和深度学习技术在汽车 CO2 排放预测方面的比较研究
本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。
- 关于不确定概率和抽象论证的研究注释
本文提出了一种形式化方法来允许在抽象论证中对信念程度和置信度进行标记，并在 Sato 的分布语义基础上进行概率查询的概率论证方法，并在考虑不确定的概率时进行实践探讨。
- Eco2AI: 机器学习模型碳排放跟踪 —— 可持续人工智能的第一步
该论文介绍了一个名为 eco2AI 的开源工具，可以帮助科学家跟踪深度神经网络模型训练和推理的能量消耗和等效二氧化碳排放，并鼓励研究社区寻找具有较低计算成本的新型人工智能（AI）架构，并建立可持续 AI 和绿色 AI 的路径。
- 路口信号灯处学习生态驾驶策略
本文提出一种基于强化学习的环保行车控制策略，通过对不同交通场景的模拟比较，在全自动驾驶交通方式下可将燃油消耗降低 18%, CO2 排放降低 25%，同时提高 20% 的车速，并且即使只有 25% 的自动驾驶汽车，也能带来至少 50% 的燃 - KDD模拟生态友好型交通选择对空气污染减少的影响
通过地图搜索日志模拟环保交通模式选择的有效性，并将交通模式选择视为组合优化问题，考虑 CO2 和平均旅行时间的约束条件，优化结果表明，CO2 排放总量可以减少 9.23％，而平均旅行时间实际上可以减少 9.96％。
- CVPR重新审视计算机视觉中的 CO2 排放
这份论文分析了二氧化碳排放的成本，认为计算机视觉领域对气候危机的不良影响需要引起重视，并提出应该将执行加入道德人工智能的支柱，为架构设计师和更广泛的计算机视觉社区提供减缓气候危机的建议。