FM-CAC：基于时间序列基础模型的电池缓冲边缘AI的碳感知控制
系统与控制
2026-04-21 v1 机器学习
系统与控制
摘要
随着边缘AI部署规模化至数十亿台设备，运行始终在线的实时复合AI管道，代表了巨大的能源消耗和碳排放。为减少碳排放并最大化服务质量（QoS），本文提出了FM-CAC—a主动碳感知控制框架，利用电池作为主动时序缓冲区。通过将能源获取与能源消耗解耦，FM-CAC可以最大化低碳能源的使用，显著减少碳排放。在每个控制步骤中，FM-CAC联合优化软件管道变体、硬件运行点以及电池充放电动作。为支持此决策过程，FM-CAC利用边缘友好型时间序列基础模型（TSFMs）进行零样本碳预测，并将这些预测整合到具有延迟成本归因的动态编程求解器中，以防止过度消耗电池。结果表明，FM-CAC在保持接近最大推理准确率的同时，可将碳排放降低最高可达65.6%。
引用
@article{arxiv.2604.16448,
title = {FM-CAC: Carbon-Aware Control for Battery-Buffered Edge AI via Time-Series Foundation Models},
author = {Kang Yang and Walid A. Hanafy and Prashant Shenoy and Mani Srivastava},
journal= {arXiv preprint arXiv:2604.16448},
year = {2026}
}