- 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。
- 新西兰温室气体清单的动态预测
通过机器学习方法预测新西兰国家温室气体排放量的动态变化,得出国家总排放量 20 年以来下降 0.2% 的结果,这种方法为政策制定者提供了一个较低误差的子年度温室气体排放估计的概念证明。
- 多模态表示学习用于从离散低维数据中跨模态预测连续天气模式
使用基于深度学习的方法,从不连续的风能数据中进行多模态连续分辨率的风能数据预测,并进行数据维度降低。
- 分析非信号化交叉口混合交通控制中的排放和能源效率
通过研究,我们发现采用机器人车辆(RV)在无信号控制的交叉口上实施交通控制策略可以显著减少排放,当 RV 的渗透率达到 10% 时,与有信号控制的交叉口相比,燃油消耗和 NOx 排放分别减少了最多 27% 和 28%。当 RV 的渗透率达到 - 使用 EuroSAT 和迁移学习进行土地利用和土地覆盖(LULC)的映射
全球人口不断增长,对自然资源的需求也在增加。遗憾的是,人类活动占到了 23% 的温室气体排放。幸运的是,遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用,规划城市区域,并推动农业、气候变化缓解、灾难恢复和环境监测 - COVID-19 对会议的重新思考 -- 人工智能会议的环境影响评估
通过 COVID-19 的研究,我们定量了科学会议空中旅行对环境的影响,探索和建议更环保的会议方式,并发现了虚拟会议是最环保的方式之一,可以减少 63.9% 的二氧化碳排放。
- CMIP X-MOS: 提高气候模型的极端模型输出统计
为了提高对未来气候极端事件的准确预测能力,我们引入了 Extreme Model Output Statistics (X-MOS) 方法,通过深度回归技术将 CMIP 模型输出与实际气象站测量结果精确地映射,并强调了未来气候参数分布尾部的 - 朝着 6G 及以后的网络人工智能零碳排放目标迈进
全球正在努力减少全球温室气体(GHG)排放(主要是碳排放)到 2030 年减半并在 2050 年达到净零。本文提出了一个评估框架,用于分析网络 AI 实现的生命周期,并引入了一种名为 DETA 的联合动态能源交易和任务分配优化框架,以减少网 - 集中编排区块链协作:基于多智能体强化學習的住宅能量灵活协调
深层多智能体强化学习可实现住宅能量灵活性的可扩展和隐私保护的协调,结果表明,通过使用中心化但分化的评论家,可以在执行前排练协调。
- AI 撰写和插图产生的碳排放比人类更低
本文研究了几个 AI 系统(ChatGPT,BLOOM,DALL-E2,Midjourney)的排放,发现相对于人类完成相同任务,AI 系统写一页文本排放的 CO2e 最多降低了 1500 倍,制作图像排放 CO2e 最多降低了 2900 - ICML利用机器学习估计企业温室气体排放量
通过训练机器学习模型进行温室气体排放的估算可以帮助投资者符合环保法规措施和实现净零排放的目标。
- 高分辨率卫星影像监测非法养殖牛行为
通过与 Golbal Witness 的合作,本研究探讨了利用卫星图像在全球范围内跟踪和计数牛的可行性,在获取到亚马逊河地区的 40 厘米分辨率的卫星图像后,我们编译了包含 28498 头牛的 903 幅图像的数据集,并得到了令人满意的实验 - 绿色算法:量化计算的碳足迹
该研究提出了一种方法学框架和绿色算法工具,以评估任何计算任务的碳足迹,并定义了评估温室气体排放的度量标准,并量化了粒子物理模拟、天气预报和自然语言处理算法的温室气体排放。
- 利用机器学习应对气候变化
介绍了机器学习如何在减少温室气体排放和帮助社会适应气候变化方面发挥重要作用。提出了许多合作机会和有前途的商业机会,并呼吁机器学习社区为应对气候变化加入全球行动。