Monitor the energy and carbon emissions of process-based models: ProcessC
Notice bibliographique
Résumé
• ProcessC , a multi-platform energy usage and carbon emission tracking program for process-based models was developed. • Machine-learning models consumed and released less energy (115-fold) and less carbon emissions (29397-fold) compared to the RZ-SHAW in simulating winter drainage. • Different modelling approaches result in drastically varying energy usage and carbon emissions; future studies should consider energy efficiency. • Reducing model training or calibration time and optimizing computation locations are crucial for sustainable modelling. Sustainable modelling to reduce carbon emissions from heavy computations is being adopted in machine learning communities. However, this concept has not been considered in process-based model communities, with carbon emissions rarely monitored and reported. This study developed ProcessC, a multi-platform program to monitor energy usage and carbon emissions in process-based models’ simulations. ProcessC was tested through a case study involving a process-based model, RZ-SHAW, for winter artificial drainage simulation. Results indicated that the RZ-SHAW model consumed 115 times more energy and released 29,397 times more carbon emissions compared to machine learning (ML) models for the winter artificial drainage simulation. The study suggests deploying computing systems in regions with low grid carbon intensity, choosing energy-efficient systems, and reducing simulation time as potential solutions for a more carbon-sustainable modelling. The findings from the current study urge the process-based community to commence considering and reporting carbon emissions in future modelling studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».