[논문 리뷰] AutoPCF: Efficient Product Carbon Footprint Accounting with Large Language Models

Zhu Deng, Jinjie Liu외 6명|arXiv (Cornell University)|2023. 08. 08.

Environmental Impact and Sustainability인용 수 4

한 줄 요약

이 논문은 '크레이들 투 게이트' 수명주기의 제품 탄소배출량(PCF) 회계를 자동화하기 위해 대규모 언어모델(LLM)을 활용하는 AI 기반 프레임워크인 AutoPCF를 제안한다. LLM을 사용해 수명주기 자료를 생성하고 의미 기반 모델을 통해 배출계수를 매칭함으로써 AutoPCF는 모델링 시간을 수일에서 수분으로 단축시키며, 전문가 기준 대비 평균 추정 오차율 42%를 기록한다. 이는 확장 가능하고 효율적인 PCF 평가의 강력한 잠재력을 보여준다.

ABSTRACT

The product carbon footprint (PCF) is crucial for decarbonizing the supply chain, as it measures the direct and indirect greenhouse gas emissions caused by all activities during the product's life cycle. However, PCF accounting often requires expert knowledge and significant time to construct life cycle models. In this study, we test and compare the emergent ability of five large language models (LLMs) in modeling the 'cradle-to-gate' life cycles of products and generating the inventory data of inputs and outputs, revealing their limitations as a generalized PCF knowledge database. By utilizing LLMs, we propose an automatic AI-driven PCF accounting framework, called AutoPCF, which also applies deep learning algorithms to automatically match calculation parameters, and ultimately calculate the PCF. The results of estimating the carbon footprint for three case products using the AutoPCF framework demonstrate its potential in achieving automatic modeling and estimation of PCF with a large reduction in modeling time from days to minutes.

연구 동기 및 목표

• 기존 제품 탄소배출량(PCF) 추정을 위한 수명주기 평가(LCA)가 시간과 전문 지식을 요구하는 데에 대비하여 이를 해결하고자 한다.
• 대규모 언어모델(LLM)이 잠재적으로 제품 수명주기 모델링 및 PCF 계산을 위한 정확한 입력-출력 자료를 생성할 수 있는지 조사하고자 한다.
• LLM과 배출계수 매칭을 통합한 자동화된 AI 기반 프레임워크인 AutoPCF를 개발하고 평가하여 PCF 추정의 속도와 표준화를 향상시키고자 한다.
• 다양한 산업 제품에 걸쳐 LLM이 생성한 PCF 추정치가 전문가 기반 모델과 비교해 신뢰성과 정확도가 어느 정도인지 평가하고자 한다.

제안 방법

• 세 가지 산업 제품에 대해 '크레이들 투 게이트' 수명주기 과정, 입력, 출력을 자동으로 생성하기 위해 일반 목적의 다섯 개의 LLM(GPT-3.5, GPT-4, Tongyi Qianwen 포함)을 활용하였다.
• 원자재 및 에너지 입력을 데이터베이스의 해당 배출계수와 의미 기반 매칭 모델을 통해 매핑하였다.
• 딥 러닝 기반 파라미터 매칭을 적용하여 활동 데이터(예: 재료량 등)를 CO2-eq 계산에 적합한 배출계수와 연결하였다.
• 모델의 강건성과 일관성을 평가하기 위해 활동 데이터 생성 방법 두 가지(DGA 및 수동 입력)를 사용하였다.
• 표준화된 변환 계수를 사용해 모든 입력 및 과정의 CO2-eq 배출량을 합산하여 총 PCF를 계산하였다.
• 정확도 및 오차 범위 평가를 위해 결과를 전문가가 생성한 PCF 추정치와 비교 검증하였다.

실험 결과

연구 질문

• RQ1 최소한의 인간 입력으로 대규모 언어모델(LLM)이 산업 제품의 '크레이들 투 게이트' 수명주기 과정을 효과적으로 모델링할 수 있는가?
• RQ2 입력-출력 구조 및 배출계수 매칭 측면에서 LLM이 생성한 수명주기 자료(LCI)는 전문가가 제작한 자료와 비교해 얼마나 정확한가?
• RQ3 다양한 LLM이 PCF 추정을 위한 활동 데이터 생성 및 배출계수 매칭에서 성능은 어떠한가?
• RQ4 기존 전문가 기반 LCA에 비해 AutoPCF 프레임워크는 모델링 시간과 노력을 얼마나 줄이는가?
• RQ5 LLM 출력의 불확실성은 PCF 추정의 신뢰성에 어떤 영향을 미치며, 이를 어떻게 완화할 수 있는가?

주요 결과

• AutoPCF_GPT-3.5_DGA 모델은 세 제품 전반에서 가장 안정적이고 정확한 결과를 기록했으며, 전문가 기준 대비 평균 추정 오차율은 42%였다.
• GPT-3.5, GPT-4, Tongyi Qianwen는 생산 공정 모델링(F1-score > 0.4) 및 활동 자료 모델링(F1-score > 0.35)에서 잠재적 능력을 보이며, PCF 자동화의 강력한 잠재력을 시사한다.
• 이 프레임워크는 PCF 모델링 시간을 수일에서 수분으로 크게 단축시켰다.
• 전문가 모델은 결과에 높은 변동성을 보였으며(CV: 24–58%), 이는 표준화된 자동화 도구인 AutoPCF가 일관성을 향상시키기 위한 필요성을 강조한다.
• LLM은 일반화 및 일관성 측면에서 한계를 보였으며, 특히 배출계수 매칭 및 활동 데이터 정밀도에서 문제가 있었다. 이는 향후 훈련 데이터 개선 및 프롬프트 엔지니어링의 필요성을 시사한다.
• 본 연구는 LLM이 체계적 매칭 및 검증 메커니즘과 결합될 경우 전문가 기반 LCA의 실용적이고 확장 가능한 대안이 될 수 있음을 확인한다.