The Hidden Water Geography of U.S. Hyperscale Data Centers in the AI Era

技術要約：AI時代における米国ハイパースケール・データセンターの隠れた水文地理学

問題提起
クラウドサービスや人工知能（AI）のワークロードを支えるためにハイパースケール・データセンターが拡大するにつれ、その水消費量は重大な懸念事項となっている。しかし、既存の評価では、水利用を一括した集計値として報告することが常態化している。このアプローチは、データセンターの水消費が以下の2つの異なる経路を通じて発生するという物理的な実態を覆い隠してしまう。

1. スコープ1（直接冷却）： 熱管理のためにオンサイトで消費される水。主に蒸発冷却によるもの。
2. スコープ2（電力関連）： 施設が使用する電力を生成するために、オフサイトの発電システム内（例：化石燃料および原子力発電所における熱力学冷却、および水力発電に伴う貯水池からの蒸発）で消費される水。

これらの経路を単一の指標に統合してしまうと、リスクの地理的な乖離が隠されてしまう。ある施設は、ローカルでは水効率が高いように見えても、水集約的なグリッドに依存している可能性がある。あるいは逆に、低水消費のグリッドから電力を引きつつ、直接的な冷却負担を水ストレスの高い盆地に課している可能性もある。現在の国家または州レベルの合計値は、具体的なガバナンス対応を導くには不十分である。なぜなら、どこで水が消費されているのか、そしてどの機関がその削減権限を持っているのかを特定できていないからである。

手法
著者らは、472箇所の米国のハイパースケール・データセンターの年間運用水消費量を推定し、これら2つの経路を分離するための、施設単位で解像された国家フレームワークを開発した。

• データ統合： 施設の所在地を、以下の3つの空間レイヤーと地理空間ジョインによって紐付けた。
  • バランシング・オーソリティ（BA）： 米国電力網（eGRIDより）の運用単位。これによりスコープ2の水消費を属性付けした。
  • 水文学的盆地（Hydrologic Basins）： 水消費を属性付けするために、レベル6のポリゴン（HydroBASINSより）を使用。
  • 水ストレス： Aqueduct Water Risk Atlas 4.0のベースライン・ストレス指標（0–5スケール）。
• スコープ1の推定： IT電力1kWhあたりのリットル数の水消費量として定義される、水使用効率（WUE、ISO/IEC 30134-9）を用いて算出した。施設固有のWUEは公開されないことが稀であるため、本研究では文献から導出されたシナリオベースのWUEを用い、施設の電力使用効率（PUE）および利用率に基づいて調整を行った。
• スコープ2の推定： 施設の電力需要に、ホストしているバランシング・オーソリティの水消費強度を乗じることで算出した。この強度は、地域の発電構成（燃料シェア）および技術固有の運用水係数（例：石炭、ガス、原子力、水力、風力、太陽光）から導出した。
• シナリオ： 分析には、ベースライン・シナリオ、効率化シナリオ、高負荷シナリオ、および「ノー・ハイドロ（水力なし）」感度分析（水力発電による貯水池蒸発係数をゼロに設定）が含まれ、属性付け手法の堅牢性をテストした。

主な結果

• 総消費量と経路の分割： ベースラインの仮定の下で、472の施設は約 300 GL yr⁻¹（シナリオ間で205–451 GL yr⁻¹の範囲）を消費する。
  • スコープ2（電力関連） は、全体の約 75%（約226 GL yr⁻¹）を占める。
  • スコープ1（直接冷却） は、全体の約 25%（約74 GL yr⁻¹）を占める。
  • 水力発電の属性付けを除去した保守的な「ノー・ハイドロ」感度分析においても、スコープ2が支配的な要素であり続ける（総計の63%）。
• 負担の地理的分散：
  • スコープ1のホットスポット： 直接冷却による負担は、冷却需要が高度な水ストレス（Aqueductスコア 3以上）と重なる米国西部および南中部の流域に集中している。
  • スコープ2のホットスポット： 電力関連の負担は、化石燃料主体の供給構成を特徴とするいくつかの東部グリッド地域に集中している。具体的には、24のホスト・バランシング・オーソリティのうち、わずか 3つ がスコープ2の総量の 59% を占めている。
• 集中の違い： 電力関連の水は、直接冷却の水よりも空間的に高度に集中している。上位3つのバランシング・オーソリティがスコープ2の水の59%を保持しているのに対し、上位16の流域が保持するスコープ1の水は51%に留まる。
• 実行可能なレバレッジ： 最大の削減ポテンシャルが得られる領域は、経路によって異なる。
  • スコープ1の削減は、ストレスの高い流域におけるローカルな冷却設計、水源、および干ばつ計画に依存する。
  • スコープ2の削減は、特定のバランシング・オーソリティ（例：PJM、BPA、PACW）における地域的なグリッド計画、発電構成の変化、および調達に依存する。

意義と主張
本論文は、これら2つの経路を分離することが効果的なガバナンスに不可欠であると主張している。なぜなら、これら2つの問題は異なる意思決定者と解決策を必要とするからである。

1. ガバナンスのミスマッチ： 現在の許認可および環境審査は、多くの場合、オンサイト（スコープ1）の水利用のみに焦点を当てている。しかし、多くの施設において、より大きな運用上の負担は電力システム（スコープ2）にある。例えば、最大のデータセンター市場であるバージニア州は、そのグリッド供給に紐付いた膨大なスコープ2の負担に直面しているが、これはローカルな冷却許可では対処できない。逆に、スコープ1が支配的なプロファイルを持つ西部諸州には、ローカルに最適化された冷却戦略が必要となる。
2. 標的を絞った介入： スコープ2の水は少数のグリッド地域に高度に集中しているため、これらの特定の領域における発電構成や送電に関する決定が、国家規模のデータセンターの水フットプリントを不釣り合いなほど大きく減少させる可能性がある。
3. 方法論的な明晰さ： 本研究は、ローカルな水文学的リスクとリージョナルなグリッドのリスクを区別するためのフレームワークを提供し、異なる政策対応を必要とする問題を混同することを防ぐものである。

著者らは、年平均値の使用（季節的な干ばつを無視）、測定された施設データではなくシナリオベースのWUEへの依存、および水力発電による貯水池蒸発の属性付けに関する議論の存在など、限界についても述べている。しかし、冷却側と電力側の水問題が異なる場所に集中しているという核心的な地理学的知見は、テストされたすべてのシナリオにおいて堅牢であると彼らは主張している。