Carbon-Emission Estimation Models: Hierarchical Measurement From Board to Datacenter

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel hierarchical GNN approach for datacenter carbon accounting, bridging chip-level behavior and facility-wide emissions with high accuracy.

🏢実務担当者:Enables granular carbon attribution for datacenter operations, directly supporting ESG reporting and energy efficiency optimization.

🏛政策担当者:Demonstrates a scalable tool for regulating datacenter emissions, supporting digital industry carbon neutrality targets.

データセンターは、AIおよびクラウドサービスの拡大に伴い、そのカーボンフットプリントが年間19%増加しており、世界のデジタル炭素排出の主要な貢献者となっている。従来の炭素会計手法は、PUE（Power Usage Effectiveness）に基づくマクロレベルの概算計算に留まるか、マイクロレベルのハードウェア電力消費測定に限定されており、チップレベルのエネルギー挙動とデータセンター全体の炭素排出の間のトレーサブルな相関関係を確立できていない。このギャップに対処するため、本研究は、物理モデリングとグラフニューラルネットワーク（GNN）ベースの統計的集約を統合した階層結合型炭素排出推定モデル（HCCEEM）を提案する。本モデルは、ボード（チップ）、サーバーノード、ラッククラスター、キャンパスデータセンターにわたる4層のトレーサビリティチェーンを構築し、動的なワークロードの影響を捕捉するためのリアルタイム負荷適応モジュールを導入する。異種混合クラウドデータセンターからの14ヶ月間のデータセットで検証した結果、HCCEEMは95.7%の推定精度を達成し、PUEベースのモデルおよび単一レベルの機械学習モデルと比較して、平均絶対誤差（MAE）をそれぞれ27.1%および19.3%削減した。さらに、本モデルはレベル間での炭素貢献のきめ細かな帰属を実現し、チップレベルの動的電力消費がサーバー排出の65.2%を駆動し、ラックレベルの冷却損失がデータセンター排出の33.8%を占めることを明らかにした。本研究は、ハードウェアレベルの最適化とデータセンター全体の炭素管理の間のギャップを埋め、ターゲットを絞った炭素削減のための解釈可能でスケーラブルなツールを提供する。具体的には、HCCEEMは、大規模言語モデル（LLM）のトレーニングや推論などの高負荷シナリオにおいて顕著な適用性を示し、従来手法と比較して炭素会計誤差を30%以上削減できる。監視リソースが限られている中小規模のデータセンターでは、本モデルのモジュール設計により、部分的な階層モジュールを簡素化することで、精度を大きく損なうことなく軽量な展開が可能となる。さらに、HCCEEMの階層的貢献量定量化機能は、企業の炭素開示およびコンプライアンス報告を直接支援し、各地域のデジタル産業のカーボンニュートラル要件に適合する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Data centers have become a core contributor to global digital carbon emissions, with their carbon footprint growing 19% annually alongside the expansion of AI and cloud services. Traditional carbon accounting methods are either trapped in macro-level rough calculation based on Power Usage Effectiveness (PUE) or limited to micro-level hardware power consumption measurement, failing to establish a traceable correlation between chip-level energy behavior and datacenter-wide carbon emissions. To address this gap, this study proposes a Hierarchical Coupling Carbon Emission Estimation Model (HCCEEM) that integrates physical modeling and graph neural network (GNN)-based statistical aggregation. The model constructs a four-level traceability chain spanning board (chip), server node, rack cluster, and campus datacenter, and introduces a real-time load adaptation module to capture dynamic workload impacts. Validated on a 14-month dataset from a heterogeneous cloud datacenter, HCCEEM achieves an estimation accuracy of 95.7%, reducing mean absolute error (MAE) by 27.1% and 19.3% compared to PUE-based models and single-level machine learning models respectively. Moreover, the model realizes fine-grained attribution of carbon contributions across levels, revealing that chip-level dynamic power consumption drives 65.2% of server emissions, and rack-level cooling losses account for 33.8% of datacenter emissions. This research provides an interpretable, scalable tool for targeted carbon reduction, bridging the gap between hardware-level optimization and datacenter-wide carbon management. Specifically, HCCEEM exhibits remarkable applicability in high-load scenarios such as large language model (LLM) training and inference, where it can reduce carbon accounting errors by over 30% compared to conventional methods. For small and medium-sized datacenters with limited monitoring resources, the model’s modular design allows lightweight deployment by simplifying partial hierarchical modules without significant accuracy loss. Additionally, the hierarchical contribution quantification function of HCCEEM can directly support enterprises’ carbon disclosure and compliance reporting, aligning with the carbon neutrality requirements of the digital industry in various regions.

• semanticscholar https://www.suaspress.org/ojs/index.php/JIEAS/article/download/v4n1a06/v4n1a06first seen 2026-06-29 08:36:33 · last seen 2026-08-09 05:55:10