由大语言模型和检索增强生成驱动的碳足迹核算
信息检索
2024-08-21 v2
摘要
碳足迹核算对于量化温室气体排放和实现碳中和至关重要。流程、会计规则、碳相关政策和能源供应结构的动态性要求碳足迹核算具备实时更新能力。传统的生命周期评估方法严重依赖人工专业知识，使得近实时更新具有挑战性。本文提出了一种将大语言模型 (LLMs) 与检索增强生成技术相整合的新型方法，以增强碳足迹信息检索与分析在实时性、专业性和经济性方面的表现。通过利用 LLMs 的逻辑与语言理解能力以及 RAG 的高效检索能力，所提出的方法 LLMs-RAG-CFA 能够检索更多相关信息以辅助 LLMs，从而增强模型的生成能力。该方法具有广泛的专业覆盖范围、高效的实时碳足迹信息获取与核算能力，以及经济高效的自动化特性，无需频繁更新 LLMs 参数。在五个行业（原生铝、锂电池、光伏、新能源汽车和变压器）上开展的实验结果表明，LLMs-RAG-CFA 方法优于传统方法和其他 LLMs，实现了更高的信息检索率以及显著更低的信息偏差和碳足迹核算偏差。其经济可行的设计利用 RAG 技术在实时更新与成本效益之间取得平衡，为实时碳排放管理提供了一种高效、可靠且节约成本的解决方案，从而增强了环境可持续性实践。
引用
@article{arxiv.2408.09713,
title = {Carbon Footprint Accounting Driven by Large Language Models and Retrieval-augmented Generation},
author = {Haijin Wang and Mianrong Zhang and Zheng Chen and Nan Shang and Shangheng Yao and Fushuan Wen and Junhua Zhao},
journal= {arXiv preprint arXiv:2408.09713},
year = {2024}
}