[论文解读] AutoPCF: Efficient Product Carbon Footprint Accounting with Large Language Models

Zhu Deng, Jinjie Liu+6 more|arXiv (Cornell University)|Aug 8, 2023

Environmental Impact and Sustainability被引用 4

一句话总结

本文提出 AutoPCF，一种基于人工智能的框架，利用大语言模型（LLMs）自动化实现从‘摇篮到门’的生命周期的产品碳足迹（PCF）核算。通过使用 LLM 生成生命周期清单，并基于语义匹配模型匹配排放因子，AutoPCF 将建模时间从数天缩短至数分钟，与专家基准相比平均估算误差为 42%，展现出在可扩展、高效 PCF 评估方面的巨大潜力。

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.

研究动机与目标

• 为解决传统产品碳足迹（PCF）核算中生命周期评估（LCA）耗时且高度依赖专业知识的问题。
• 探究大语言模型（LLMs）是否能够涌现出建模产品生命周期并生成准确的投入产出清单以用于 PCF 计算的能力。
• 开发并评估一种集成 LLM 与排放因子匹配技术的自动化 AI 框架 AutoPCF，以加速并标准化 PCF 估算。
• 评估 LLM 生成的 PCF 估算结果与不同工业产品中基于专家的模型相比的可靠性与准确性。

提出的方法

• 采用五种通用大语言模型（包括 GPT-3.5、GPT-4 和通义千问）自动为三种工业产品生成‘摇篮到门’的生命周期过程、投入与产出。
• 应用基于语义的匹配模型，将原材料与能源投入映射到数据库中的对应排放因子。
• 集成基于深度学习的参数匹配方法，将活动数据（如材料数量）与适当的排放因子关联，用于 CO2-eq 计算。
• 采用两种活动数据生成方法（DGA 和手动输入）以评估模型的鲁棒性与一致性。
• 通过使用标准化转换因子，汇总所有投入与过程的 CO2-eq 排放量，计算总 PCF。
• 与专家生成的 PCF 估算结果进行对比验证，以评估准确性与误差范围。

实验结果

研究问题

• RQ1 大语言模型（LLMs）在极少人工干预的情况下，能否有效建模工业产品的‘摇篮到门’生命周期过程？
• RQ2 LLM 生成的生命周期清单（LCI）在投入产出结构与排放因子匹配方面，与专家构建的清单相比准确度如何？
• RQ3 不同 LLM 在生成活动数据及匹配排放因子用于 PCF 估算方面的表现如何？
• RQ4 与传统基于专家的 LCA 相比，AutoPCF 框架在多大程度上减少了建模时间与工作量？
• RQ5 LLM 输出中的不确定性在多大程度上影响 PCF 估算的可靠性？这些不确定性应如何缓解？

主要发现

• AutoPCF_GPT-3.5_DGA 模型在所有三种产品中均实现了最稳定且准确的结果，与专家基准相比平均估算误差为 42%。
• GPT-3.5、GPT-4 和通义千问在建模生产过程（F1 分数 > 0.4）和活动清单（F1 分数 > 0.35）方面展现出涌现能力，表明其在 PCF 自动化方面具有强大潜力。
• 该框架将 PCF 建模时间从数天缩短至数分钟，显著加速了估算流程。
• 专家模型结果表现出较高变异性（变异系数：24–58%），凸显了对标准化自动化工具（如 AutoPCF）以提升一致性的迫切需求。
• LLM 在泛化能力与一致性方面存在局限，特别是在排放因子匹配与活动数据精度方面，强调了改进训练数据与提示工程的必要性。
• 本研究证实，当结合结构化匹配与验证机制时，LLM 可作为专家驱动 LCA 的可行且可扩展的替代方案。