Aprendizaje automático de la huella de carbono de la minería de Bitcoin
Autores: Calvo-Pardo, Hector F.; Mancini, Tullio; Olmo, Jose
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Aprendizaje automático de la huella de carbono de la minería de Bitcoin
Categoría
Gestión y administración
Subcategoría
Gestión de recursos
Palabras clave
Modelo económico
Minería de Bitcoin
Huella de carbono
Redes neuronales
Consumo de energía
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Basándonos en un modelo económico de minería de Bitcoin racional, medimos la huella de carbono del consumo de energía de la minería de Bitcoin utilizando redes neuronales de retroalimentación. Encontramos huellas de carbono asociadas de 2.77, 16.08 y 14.99 MtCOe para 2017, 2018 y 2019, basadas en un enfoque novedoso de abajo hacia arriba, que (i) se conforma con estimaciones recientes, (ii) se encuentra dentro de los límites del modelo económico mientras que (iii) ofrece intervalos de predicción mucho más estrechos y, sin embargo, (iv) plantea preocupaciones alarmantes, dada la evidencia reciente (por ejemplo, de modelos integrados de clima y tiempo). Demostramos cómo los métodos de aprendizaje automático pueden contribuir a problemas sociales urgentes sin fines de lucro, como el calentamiento global, donde la complejidad y disponibilidad de datos pueden ser superadas.
Descripción
Basándonos en un modelo económico de minería de Bitcoin racional, medimos la huella de carbono del consumo de energía de la minería de Bitcoin utilizando redes neuronales de retroalimentación. Encontramos huellas de carbono asociadas de 2.77, 16.08 y 14.99 MtCOe para 2017, 2018 y 2019, basadas en un enfoque novedoso de abajo hacia arriba, que (i) se conforma con estimaciones recientes, (ii) se encuentra dentro de los límites del modelo económico mientras que (iii) ofrece intervalos de predicción mucho más estrechos y, sin embargo, (iv) plantea preocupaciones alarmantes, dada la evidencia reciente (por ejemplo, de modelos integrados de clima y tiempo). Demostramos cómo los métodos de aprendizaje automático pueden contribuir a problemas sociales urgentes sin fines de lucro, como el calentamiento global, donde la complejidad y disponibilidad de datos pueden ser superadas.