計算の持続可能性

計算持続可能性は、数学、コンピュータサイエンス、情報科学の分野の方法を使用して、人類の将来の幸福のために社会的、経済的、環境的資源のバランスを取ろうとする新興分野です。 ^{[1] [2]この文脈における} 持続可能性とは、世界が生物学的、社会的、環境的システムを長期的に維持する能力を指します。 大量の情報を処理するコンピュータのパワーを使用して、意思決定アルゴリズムはリアルタイムの情報に基づいてリソースを割り当てます。^[3]この分野によって進歩したアプリケーションは、さまざまな分野に広がっています。 たとえば、人工知能と機械学習の技術は、長期的な生物多様性の保全と種の保護を促進するために作成されています。^{[4] [5]} スマートグリッドは、再生可能なリソースとストレージ機能を実装して、エネルギーの生産と消費を制御します。^[6] インテリジェント交通システムテクノロジーは、道路状況を分析し、ドライバーに情報を中継して、リアルタイムの交通情報に基づいて、よりスマートで環境に優しい決定を下せるようにします。^{[7] [8]}

計算持続可能性の分野は、1987年に世界環境開発委員会が人類の未来について発表した報告書「Our Common Future」に触発されて始まった。 ^[9]最近では、計算持続可能性の研究は、世界中の人々の経済的、社会的、環境的幸福の持続可能性に関する17の目標である国連の持続可能な開発目標によっても推進されている。 ^[10]計算持続可能性の研究者は、主に環境（生物多様性の保全など）、持続可能なエネルギーインフラと天然資源、社会的側面（世界的な飢餓危機など）に関連する分野の問題の解決に焦点を当ててきた。^{[11] [12] [13] [4]}計算持続可能性の計算面では、人工知能、機械学習、アルゴリズム、ゲーム理論、メカニズム設計、情報科学、最適化（組合せ最適化を含む）、動的システム、マルチエージェントシステムの分野で、数学とコンピュータサイエンスの手法を活用している。^{[11] [5]}

計算による持続可能性の正式な出現は、 NSF が資金を提供する助成金の開始や、特定の会議やワークショップが行われた 2008 年と 2009 年にまで遡ることが多いですが、環境と社会の持続可能性の問題に取り組む計算方法の探求は、この時期より前から行われていました。持続可能性関連の問題に対する統計モデルと数学モデルの使用には、コンピューティング技術自体の進化と並行して長い歴史があります。注目すべき例としては、気候モデリングの初期の試みが挙げられます。これは、当時利用できる計算リソースが限られていたために制約を受け、簡略化されたモデルが必要でした。

人工知能、特に機械学習の分野では、1990 年代に、生態学的モデリングや廃水管理など、持続可能性の問題に取り組む研究が行われました。この研究は、国立生態分析総合センターが 2006 年に設立した「環境のための機械学習」ワーキング グループなどのグループによってサポートされ、2000 年代まで継続されました。野生生物保護区の設計など、持続可能性の課題を支援するための最適化に関する研究は、1980 年代にまで遡ることができます。

2000年代初頭には、コンピューティング技術自体の環境への影響に対する懸念も高まり、グリーン情報通信技術（ICT）がICT企業の間で注目を集めるようになりました。この関心は、コンピューティングの直接的な環境影響を超えて、オンライン会議を通じて航空旅行の二酸化炭素排出量を削減したり、配送ルートを最適化して_CO2排出量を削減したりするICTの可能性など、二次的および高次的な影響を検討することにまで広がりました。それ以来、特に経済協力開発機構（OECD）による国際的な政策努力は、ICTのこれらの多層的な影響を認識する枠組みに焦点を当てており、この焦点は今日まで続いています。

2008 年の OECD 会議の前に、数学者たちは気候変動と闘うために自分たちの専門知識を活用することを提案し、研究コミュニティの持続可能性における役割に対する認識が高まっていることを示しました。この時期には、2008 年に計算持続可能性研究所が設立され、2009 年には計算持続可能性に関する国際会議が開始されました。これは、この分野を大きく前進させる重要な瞬間でした。主要な AI 会議に持続可能性のテーマが盛り込まれたことで、持続可能性はより広範なコンピューティングと科学の議論にさらに統合されました。

コンピューティングの持続可能性の分野は拡大を続けており、 2010 年にミネソタ大学に授与された持続可能性に焦点を当てた Expeditions in Computing 賞などの重要な取り組みにより、データ マイニングと視覚化を通じて気候の理解を深めることを目指しています。さまざまな会議で持続可能性関連のトラックと賞が設立され、NSF などの組織が資金を集中的に提供していることは、持続可能性の課題に対処する上でコンピューティングがますます重要になっていることを強調しています。

生物多様性保全は、主に種の多様性の保全、種と生態系の持続可能な利用、生命維持システムと重要な生態学的プロセスの維持に焦点を当てています。種の保全は、生物多様性の損失を防ぐための重要な持続可能性の目標です。都市化が世界中で拡大するにつれて、都市内外の野生生物が脅威にさらされています。保全に向けた取り組みには、人為的な生息地の断片化から孤立した野生生物の個体群をつなぐために使用される野生生物回廊の作成が含まれています。これらの野生生物回廊の構築は、生息地と土地所有者の間に障壁があるために困難です（Zellmer、Goto）。^[14]回廊を介してコア保護地域を接続するために種を移動させると、最適化の問題が発生します。これが、回廊の最適化だけでなく、費用便益分析の支援という点でテクノロジーが役立つ場所です。さらに、人工知能は、生物多様性の損失や密猟などの違法行為との継続的な戦いにおけるツールとして機能します。近年、パターンをよりよく理解し、密猟に対抗するためのセキュリティを強化するための野生生物監視戦略に関する重要な研究が行われています（Gomes）。^[15]野生生物保護活動へのAIの統合は、自然生態系の保護と保全に向けた共同の取り組みにおいて大きな前進を意味します。

国連は地球を守るために 17 の異なる持続可能な開発目標 (SDGs) を挙げていますが、そのすべてがそれぞれ異なる意味で重要です。持続可能な開発目標 14 は、水中の生命の保護に重点を置いています。持続可能な開発目標 15 は、陸上の生命の保護に言及しています。テクノロジーは歴史的に収益性の高い分野を優先してきましたが、特に野生生物の保護において、環境の持続可能性に革命を起こす可能性は、ほとんど活用されていません。持続可能な開発目標 14 と 15 の達成において、テクノロジーの進歩によってもたらされる課題、貢献、および潜在的な貢献を検討することで、計算イノベーションを活用して水中と陸上の生命を保護することができます。

アラスカの北方林における火災予測と管理の課題に対処するために機械学習技術を応用。研究では、気候変動が火災頻度に与える影響を考慮し、特に進化する火災状況に既存の火災管理戦略を適応させることの重要性が強調されています。地形、植生、気象要因などのさまざまな変数を組み込むことで、この研究は、持続可能な環境慣行のために計算モデルを活用することを目指す計算持続可能性パラダイムと一致しています。

火災予測のための新しい機械学習フレームワークが 1 つあり、これは環境モニタリングの分野における計算の持続可能性に大きく貢献しています。大規模火災につながる可能性のある特定の発火を特定することを中心としたこのモデルは、既存のより複雑な予測モデルに代わる、より単純で解釈しやすい代替手段を提供します。蒸気圧不足(VPD) とトウヒの割合という 2 つの主要な変数に重点が置かれているのは、環境評価における実用的で実用的な計算アプローチに対するこの論文の取り組みを反映しています。積極的な火災管理が火災レジームに及ぼす影響の評価は、環境結果の形成における人間の介入の役割を強調し、環境モニタリングと評価における情報に基づいた意思決定のための計算の持続可能性の可能性を示しています。

計算持続可能性の研究者は、現在進行中の第六次絶滅期に世界が直面している生物多様性の喪失と戦うための高度な技術を開発してきた。^{[16]研究者らは、種の分布、}移動パターン、野生生物の回廊を地理空間的にマッピングするための計算手法を開発し、科学者が保全活動を定量化し、効果的な政策を推奨できるようにした。^{[11] [13] [17] [5]}

「手頃な価格のクリーンエネルギー」の使用は、世界中の17の持続可能な開発目標（SDG）の1つです（Gomes et al.、2019）。

太陽系で唯一惑星を持つ恒星である太陽は、増加する人口の需要を満たすクリーンで再生可能なエネルギーを提供することができます。化石燃料とは異なり、太陽は汚染物質や温室効果ガスを生成しません。したがって、太陽エネルギーに頼ることで二酸化炭素排出量を削減でき、地球温暖化や生態系の破壊を緩和できます。太陽はあと約50億年は存続し、長期的かつ安定したエネルギー源として機能します。人類がエネルギーを効率的に抽出および変換できれば、環境と経済の両方が恩恵を受け、持続可能性に貢献できます。

しかし、風力や太陽光などの再生可能エネルギーは、ディスパッチ不可能です。人間はこれらのエネルギー源を制御したり、エネルギー生産を事前に予測したりすることはできません。再生可能エネルギーを使用する場合、科学者は補償のために別の源を探す必要がありますが、それは通常、持続不可能と見なされる化石燃料に関係しています。あるいは、人々はこれらの再生可能エネルギー源からのエネルギーを貯蔵して差額を補うことができますが、これには費用がかかる場合があります。

科学者は、蓄電システムを設計する際に、周波数調整、エネルギーシフト、ピークシフト、バックアップ電源など、さまざまな要素を考慮する必要があります(Gomes 他、2019 年)。さまざまなエネルギー源を活用するか、予期しない状況に備えてエネルギーを蓄えるかを決めるのは、科学者にとって難しいでしょう。各戦略のアプローチは複雑です。科学者はこのシナリオを、シミュレーション、機械学習、市民科学という 3 つの「幅広い持続可能性のテーマ」を含む最適化問題に変えました(Gomes 他、2019 年)。

気候変動と再生可能エネルギーは相互に関連しています。太陽や風などの再生可能エネルギー源は気候に大きく依存します。曇りの日には遮蔽物により太陽エネルギーの取得量が少なくなります。紫外線指数も太陽エネルギーの生産に影響します。逆に、再生可能エネルギーを大規模に使用すると、地球温暖化や異常気象が軽減され、環境に利益をもたらします。したがって、正確な気候モデルを構築し、再生可能エネルギーの生産のための天気を予測することが不可欠になります。

ジョーンズ氏の論文では、気候のシミュレーションにおける人工知能 (AI) の使用について検討しています (2018)。気候モデリングにコンピューターを使用する際の主な問題は、詳細が不足していることとシミュレーションが遅いことにあります。コンピューティング アプローチが異なると、結果が異なり、不正確になることもあります。たとえば、あるモデルでは、大気中の二酸化炭素レベルが 2 倍になると、気温が他のモデルの 3 倍以上上昇する可能性があると予測しています。そのため、科学者は既存の気候モデルに機械学習フレームワークを組み込んでいます。この組み合わせにより、コンピューターは、わずかな不確実性や偏差があっても、従来のコンピューターよりも目立たない詳細を効率的に識別し、正確なシミュレーションと予測を行うことができます (ジョーンズ、2018)。同時に、フロー正規化などの機械学習技術により、短期間のデータから長期的なパターンや動作を推測できます。

人々は、特に特性モデルを用いた予測に効率的な小規模シミュレーションを実行する利点を活用できます。たとえば、短期間に数マイルの領域で雲がどのように進化するかに関する情報は、「クラウドブレイン」、つまり二酸化炭素排出量の増加による気候変動を推測するディープラーニングコードには十分です。その後、フレームワークは大規模かつ長期間にわたる気候モデルを解明できます。このモデルは、従来の高解像度シミュレーションよりも効率的でありながら、同様の現実的な結果をもたらします (Jones、2018)。フローの正規化も、「クラウドブレイン」と同様の機能を果たしました。初期条件と最終条件をニューラルネットワークに入力すると、アルゴリズムは一連の変換を解明できます。与えられた条件は通常、短期間のものですが、チェーンは長期的なシナリオを推測および予測するために普遍的なものにすることができます。

しかし、これらの機械学習技術を開発して物理的な世界を予測することは、依然として困難です。機械学習は「直感的に」機能し、世界のルールに従わない場合があります。気候モデルを予測して確立する際、AIは重力や温度勾配など、物理学のさまざまな要因を考慮して効率を上げることができません。フレームワークにルールがないと、非現実的な結果につながる可能性があります。これらのフレームワークは柔軟性に欠け、新しい多様な環境に適応できません。「クラウドブレイン」は、気温が高くなる時期を正確に予測できません（Jones、2018）。SMART-Investの「ブラックボックス機能」（Gomes et al.、2019）のように、これらの機械学習技術は透明性がほとんどありません。人々はモデルを認識して理解するのに苦労しています（Jones、2018）。フローを正規化する場合、正確な全単射変換を学習するには余分な労力がかかり、各変換を明示的に表現する機能を備えたパッケージはほとんどありません。特定の変換の中には物理法則に従わないものもありますが、科学者には問題を特定して修正する方法がありません。したがって、物理法則を適切に監視しながらモデルを包括的にトレーニングすることが必要になります。しかし、太陽物理学は複雑になる可能性があり、科学者は太陽内部の核融合プロセスについて確信が持てません。そのような場合、エネルギー変換プロセスを説明する物理方程式は確立されておらず、人間が抽出できる太陽エネルギーの量に影響を及ぼします。「ルールブック」がない場合、機械学習はパターンと相関関係を理解するための最適なアプローチです (Jones、2018)。太陽エネルギーと太陽物理学で正規化フローを実装する場合、ニューラル ネットワークが未知の太陽物理領域でパターンを発見できるように、ある程度の自由度を許可する必要があります。

空間計画とは、さまざまな規模の空間における人々や活動の分布に影響を与えるために公共部門が使用する方法とアプローチを指します。持続可能な開発を確保し、建築環境と自然環境を改善することを目的として、土地と公共スペースの使用と管理に関連する幅広い活動を網羅しています。

空間計画は、都市、郊外、農村開発、土地利用、交通システム、インフラ計画、環境保護など、幅広い問題をカバーします。その目的は、土地利用、住宅、公共施設、交通インフラに関する政策と規制のさまざまな側面を調整し、これらの要素が連携して、あらゆる地域のコミュニティの経済発展、環境の持続可能性、生活の質を促進することです。

この用語はヨーロッパの文脈でよく使用され、従来の都市計画の枠を超えて、より幅広い環境のニーズと開発戦略に対応する統合アプローチとして考えることができます。これには、効率的、持続可能、公平な方法で将来の開発と土地利用の空間構成を導くための戦略的な意思決定が含まれます。

インテリジェント交通システム（ITS）は、主に運転手に焦点を当てながら、すべての旅行者の温室効果ガスの排出を最小限に抑えながら、安全性と移動時間を改善することを目指しています。ITSには、データ収集/中継用とデータ処理用の2つのシステムがあります。データ収集は、混雑したエリアのビデオカメラ、特定の車両の位置から故障しているインフラまでさまざまな部分を検出するセンサー、さらには事故に気付いてWazeなどのモバイルアプリを使用してその場所を報告するドライバーによって実現されます。^{[7] [11]}

先進公共交通システム（APTS）は、公共交通機関をより効率的かつ利用者にとって便利なものにすることを目的としています。電子決済方法により、利用者は駅やオンラインでスマートカードにお金を追加することができます。APTSは、現在の車両の位置に関する情報を交通機関に中継し、駅のスクリーンや顧客のスマートフォンに直接、利用者に予想待ち時間を表示します。先進交通管理システム（ATMS）は、道路の混雑状況に関する情報を収集するカメラやその他のセンサーを使用して情報を収集します。ランプメーターは、渋滞を制限するために高速道路に入る車の数を制限します。交通信号は、道路上の車の数に応じて移動時間を最適化するアルゴリズムを使用します。電子高速道路標識は、ドライバーが目的地に到着する能力に影響を与える可能性のある移動時間、迂回、事故に関する情報を中継します。^[11]

消費者の接続性が高まるにつれ、ITSが情報に基づいた決定を下すのに必要なインフラは少なくなっています。^[18] Googleマップはスマートフォンのクラウドソーシングを利用してリアルタイムの交通状況に関する情報を取得し、運転手が有料道路、移動時間、総移動距離に基づいて決定を下せるようにしています。^[19]車はメーカーと通信して、新機能が追加されたりバグが修正されたりしたときにリモートでソフトウェアアップデートをインストールします。^[20] テスラモーターズはこれらのアップデートを使用して、車の効率と性能を向上させています。^[21]これらの接続により、ITSは情報を正確に収集し、他のインフラを必要とせずにその情報を運転手に伝える手段が得られます。

将来のITSシステムは、インフラだけでなく他の車との通信も支援するだろう。^{[7] [11]}

電力網は、使用量に応じて月額料金を支払い、発電機から消費者に電気を送るように設計されています。住宅所有者は、これらのパネルで生成された電力を蓄えるために、ソーラーパネルと大型バッテリーを設置しています。新しいエネルギー源に対応するために、スマートグリッドが作成されています。家庭に送られてさまざまな家電製品で消費されるだけでなく、電気は双方向に流れます。グリッドにセンサーを追加することで、情報収集が改善され、停電時のダウンタイムが短縮されます。これらのセンサーは、消費者がどれだけのエネルギーを使用しているか、コストはいくらになるかについての情報を直接伝えることもできます。^[22]

計算戦略が使用されるもう 1 つの方法は、能動的な情報収集です。大量の情報を測定し、それらを整理する技術の使用は、多くの研究分野で強力なツールです。たとえば、NASA は衛星を使用して SAR (合成開口レーダー) データを取得し、地球の表面をマッピングします。NASA は、衛星を使用して、電磁スペクトルの可視、近赤外線、短波赤外線部分の能動的なデータ収集を行うことができます。これらの結果は、森林破壊や海面上昇を特定し、レーダーの波長と偏光に基づいてさまざまな生態系の将来の変化を予測するのに役立ちます。NASA は、2014 年に欧州宇宙機関 (ESA) の Sentinel-1a を皮切りに、このデータを公開しています。^[23]

コンピューター ビジョンと機械学習は、計算の持続可能性を推進する上で重要な役割を果たし、複雑な環境問題に対する革新的なソリューションを提供します。これらのテクノロジーの力を活用することで、研究者や実務者は膨大な量のデータを分析し、意味のあるパターンを抽出し、天然資源と生態系を管理するための持続可能な戦略を開発することができます。

コンピューター ビジョンは、絶滅危惧種の監視と追跡に使用されます。たとえば、自然の生息地での動物の動きを追跡したり、個体群研究のために個々の動物を識別したりします。たとえば、コンピューター ビジョン アルゴリズムを搭載したカメラ トラップは、種を自動的に検出して識別できるため、研究者は動物を邪魔することなく行動を研究できます。機械学習アルゴリズムは、これらのデータを分析して動物の行動、生息地の好み、個体群の動態を理解し、保護活動に役立ちます。これは、保護対策の有効性を評価し、保護が必要な領域を特定するのに役立ちます。

リモートセンシング技術と機械学習を組み合わせることで、空気と水質を監視し、汚染物質を検出し、環境の健康状態を評価することができます。たとえば、衛星画像を使用して、水生生物や人間の健康に害を及ぼす可能性のある水域の藻類の繁殖を監視することができます。コンピュータービジョン技術では、衛星画像を分析して、森林破壊や違法伐採活動を検出できます。危険にさらされている地域を特定することで、自然保護活動家や当局は森林と生物多様性を保護するための措置を講じることができます。

コンピューター ビジョンは、作物の健康状態を監視し、病気や栄養不足を早期に検出するために使用されます。たとえば、マルチスペクトル カメラを搭載したドローンで作物の画像を撮影し、機械学習アルゴリズムを使用して分析して健康上の問題を特定できます。機械学習アルゴリズムは、センサーやドローンからのデータを分析して、農業におけるリソースの割り当てを最適化できます。これらのアルゴリズムは、土壌の健康状態、水分レベル、作物の成長に関する洞察を提供することで、農家が情報に基づいた決定を下し、生産性と持続可能性を向上させるのに役立ちます。

機械学習モデルは、過去の気候データを分析して将来の気候パターンを予測することができます。この情報は、異常気象や海面上昇への備えなど、気候変動の影響を緩和する戦略を策定する上で非常に重要です。コンピューター ビジョン技術は、太陽光パネルや風力タービンなどの再生可能エネルギー源を監視するために使用できます。エネルギー生産と環境条件に関するデータを分析することで、これらの技術は再生可能エネルギーの使用を最適化し、化石燃料への依存を減らすのに役立ちます。

コンピューター ビジョンと機械学習により、持続可能性の取り組みにおいてデータに基づく意思決定が可能になります。大規模なデータセットを分析することで、研究者は傾向を特定し、結果を予測し、情報に基づいた選択を行って天然資源を保全し、環境を保護することができます。

これらのテクノロジーにより、環境の監視と管理の効率と精度が向上します。従来の方法よりも高速かつ正確にデータを処理できるため、環境の悪化を防ぐためのタイムリーな介入が可能になります。

コンピューター ビジョンと機械学習は、より正確な監視と分析を可能にすることで保全活動を強化し、絶滅危惧種の保護、生物多様性の保全、気候変動の影響の緩和に役立ちます。

コンピューター ビジョンと機械学習から得られる洞察は、農業、林業、その他の産業における持続可能な慣行の開発に貢献します。これらのテクノロジーは、リソースの使用を最適化し、環境への影響を最小限に抑えることで、長期的な持続可能性をサポートします。

エージェントベースモデリング (ABM) は、計算上の持続可能性のさまざまな領域で多くの用途があります。野生生物の保護と生態系の管理では、ABM は生態系における動物の行動と相互作用をシミュレートします。これにより、生息地の破壊や気候変動が生物多様性に与える影響が示されます。持続可能な農業では、ABM は農家が作物の選択、土地利用、持続可能な慣行の採用をどのように決定するかを評価します。都市計画では、交通シミュレーションと歩行者パターンによって ABM の恩恵を受け、公共交通機関を最適化し、炭素排出量を削減し、都市生活の質を向上させることができます。これらは、持続可能なソリューションを探索するための強力なツールを提供し、関係者が持続可能な未来のために情報に基づいた決定を下すのに役立つ ABM アプリケーションの例です。

^[24] NetLogoは、最も有力で人気のあるABMソフトウェアの1つです。研究者は、プログラミングの経験がない人でもアクセスしやすい方法で、複雑なABMを設計、開発、実装できます。このため、NetLogoは教育現場で広く応用され、学生が持続可能性の問題をより広く理解するのに役立ちます。NetLogoの基本バージョンには、多くのサンプルモデルが付属しており、地球科学フォルダーの下にある7つのモデルが含まれています。これらのモデルは、二酸化炭素排出が気候変動に与える影響から、油流出時の浸透性土壌を通じた油の浸透まで、さまざまな持続可能性の問題に取り組んでいます。

生物多様性のモニタリングや保全に関する市民科学プロジェクトでは、モバイル アプリケーションの使用が増えています。これらのアプリを使用すると、ボランティアはスマートフォンを使用して、現場で直接、種の観察、写真、その他の生態学的データを簡単に記録して共有できます。モバイル テクノロジーとアクティブな市民コミュニティの力を活用することで、これらのプロジェクトでは、専門の科学者だけが行う従来の調査方法に比べて、さまざまな設定で大量の貴重な生物多様性データをコスト効率よく収集できます。

生物多様性モニタリング用のモバイル アプリの一般的な例としては、iNaturalist、eBird、Merlin などがあります。iNaturalist を使用すると、ユーザーは観察を記録して他の博物学者と共有し、科学的データ リポジトリで発見を共有することで生物多様性科学に貢献できます。コーネル大学鳥類学研究所が管理する eBird を使用すると、バードウォッチャーは観察結果を入力したり、リスト、写真、音声録音の管理、リアルタイムの種分布マップの表示など、バードウォッチングをより楽しくするツールにアクセスしたりできます。同じくコーネル大学研究所の Merlin は、AI を利用した視覚認識と質問ベースのフィルタリングによってユーザーが鳥の種を識別するのを支援し、観察結果を eBird データベースに提供します。これらのアプリは、一般の参加を通じて重要な生物多様性データを収集することを可能にした効果的な設計手法を示しています。

• 計算持続可能性の先駆者、カーラ・ゴメス
• 環境情報学
• イーバード
• グリーンコンピューティング
• 計算持続可能性研究所(ICS)
• 自然保護協会
• 米国魚類野生生物局
• 米国地質調査所

Wikibooks には、「計算の持続可能性のための人工知能: ラボの手引き」というトピックに関する本があります。

• 計算の持続可能性
• 計算持続可能性研究所 (ICS)