CATS: Simulator Tugas Sadar Karbon untuk Menekan Emisi Pusat Data AI

Kerangka kerja berbasis jejak untuk mengukur penghematan karbon spasial dan temporal pada armada inferensi AI global

Dayuan Chen; Ziliang Zong· 2026· DOI 10.48550/arXiv.2609.14775

Masalah inti

Pesatnya pertumbuhan AI generatif mempercepat perluasan pusat data cloud, dengan permintaan listrik diproyeksikan berlipat ganda pada 2026. Karena intensitas karbon bervariasi lebih dari 5,5x antar jaringan listrik dan waktu dalam sehari, di mana dan kapan tugas inferensi dijalankan sangat memengaruhi emisi operasional. Chen dan Zong membahas isu ini melalui tiga kontribusi: dataset penyelarasan global, simulator CATS, dan kuantifikasi penghematan CO2 yang dapat dicapai dalam batasan realistis. Karya ini dilatarbelakangi oleh ketidaksesuaian lokasi-karbon: 50% situs cloud saat ini berada di jaringan listrik dengan intensitas karbon sedang hingga tinggi, yang menunjukkan potensi pengurangan karbon yang belum terealisasi. Pertanyaan penelitian utamanya adalah seberapa besar emisi operasional dapat dikurangi melalui penjadwalan spasial dan temporal sadar karbon pada armada saat ini, dengan mempertimbangkan campuran tugas yang realistis, kurva diurnal, dan batasan service-level agreement (SLA).

Dalam jejak 24 jam dengan 600.000 tugas pada utilisasi armada 0,37, pergeseran spasial mengurangi CO2 sebesar 38,4% dibandingkan baseline yang mengutamakan kecepatan. Pergeseran temporal menghasilkan penghematan 16% dengan pelanggaran SLA yang terbatas pada 3,27%. Hasil ini menunjukkan bahwa penjadwalan sadar karbon pada armada saat ini dapat mencapai pengurangan emisi operasional yang substansial. Penghematan spasial lebih besar karena memindahkan tugas ke wilayah dengan karbon lebih rendah memanfaatkan variasi 5,5x dalam intensitas karbon jaringan listrik, sementara pergeseran temporal dibatasi oleh tenggat SLA dan pola diurnal. Tingkat pelanggaran SLA yang dilaporkan sebesar 3,27% menunjukkan trade-off yang dapat dikelola antara penghematan karbon dan kualitas layanan. Analisis dataset juga mengungkapkan bahwa 50% situs saat ini berada di jaringan listrik dengan intensitas karbon sedang hingga tinggi, yang mengonfirmasi ketidaksesuaian lokasi-karbon yang dapat diatasi dengan menempatkan pusat data masa depan di jaringan listrik dengan intensitas karbon rendah.

Pesatnya pertumbuhan AI generatif mempercepat perluasan pusat data cloud, dengan permintaan listrik diproyeksikan berlipat ganda pada 2026. Karena intensitas karbon bervariasi lebih dari 5,5x antar jaringan listrik dan waktu dalam sehari, di mana dan kapan tugas inferensi dijalankan sangat memengaruhi emisi operasional. Chen dan Zong membahas isu ini melalui tiga kontribusi: dataset penyelarasan global, simulator CATS, dan kuantifikasi penghematan CO2 yang dapat dicapai dalam batasan realistis. Karya ini dilatarbelakangi oleh ketidaksesuaian lokasi-karbon: 50% situs cloud saat ini berada di jaringan listrik dengan intensitas karbon sedang hingga tinggi, yang menunjukkan potensi pengurangan karbon yang belum terealisasi. Pertanyaan penelitian utamanya adalah seberapa besar emisi operasional dapat dikurangi melalui penjadwalan spasial dan temporal sadar karbon pada armada saat ini, dengan mempertimbangkan campuran tugas yang realistis, kurva diurnal, dan batasan service-level agreement (SLA).

Para penulis menyusun dataset penyelarasan global yang menyatukan 140 wilayah cloud operasional dan terencana di 8 penyedia utama dengan jejak intensitas karbon lima menit untuk 145 wilayah jaringan listrik dari 2022 hingga 2024. Mereka kemudian mengembangkan CATS (Carbon-Aware Task Simulator), kerangka kerja fleksibel berbasis jejak yang memprofilkan enam tugas inferensi AI di berbagai jenis GPU, menyintesis kurva diurnal yang realistis, campuran geografis dan tugas, serta batasan SLA, dan mengevaluasi penjadwal spasial dan temporal terhadap dua baseline. Simulator ini melaporkan metrik komprehensif termasuk emisi karbon, konsumsi energi, runtime, penundaan antrean, dan utilisasi perangkat keras. Evaluasi menggunakan jejak 24 jam dengan 600.000 tugas pada utilisasi armada 0,37. Dua baseline dipertimbangkan: baseline yang mengutamakan kecepatan dan diduga alternatif yang tidak memperhitungkan karbon. Penjadwal dinilai berdasarkan kemampuannya menggeser tugas secara spasial (antar wilayah) dan temporal (antar waktu), sambil menghormati batas SLA.

Temuan ini menganjurkan penempatan pusat data masa depan di jaringan listrik dengan intensitas karbon rendah dan menunjukkan bahwa penjadwalan sadar karbon pada armada saat ini dapat mencapai pengurangan emisi operasional yang substansial. Pengurangan spasial 38,4% sangat menonjol karena tidak memerlukan perangkat keras baru, hanya penempatan tugas yang cerdas di wilayah yang sudah ada. Namun, tingkat pelanggaran SLA 3,27% untuk pergeseran temporal menunjukkan bahwa menunda tugas kurang menarik ketika inferensi yang sensitif terhadap latensi terlibat. Pendekatan berbasis jejak dalam studi ini memungkinkan evaluasi yang dapat direproduksi, tetapi juga bergantung pada kurva diurnal dan campuran tugas sintetis, yang mungkin tidak menangkap semua variabilitas dunia nyata. Dataset penyelarasan global yang mencakup 140 wilayah cloud dan 145 wilayah jaringan listrik dari 2022 hingga 2024 menyediakan sumber daya berharga untuk penelitian mendatang. Kandidat taksonomi (Architecture, Cybersecurity, Network, Cryptography) tidak dibahas secara langsung, tetapi karya ini bersinggungan dengan penjadwalan sadar jaringan dan pertimbangan arsitektur untuk infrastruktur AI yang berkelanjutan. Secara keseluruhan, CATS menawarkan alat praktis bagi operator cloud untuk mengukur dan mengurangi emisi, dan hasilnya mendukung keputusan kebijakan dan investasi yang mendukung lokasi rendah karbon.

Praktisi dan peneliti ilmu komputer

Membuka konten member…