Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

기술 요약: 미국 하이퍼스케일 데이터 센터의 탄소 배출 및 에너지 소비 평가

문제 제로 (Problem Statement)
인공지능(AI) 도입에 힘입은 미국의 하이퍼스케일 데이터 센터(HDC)의 급격한 확산은 산업의 환경적 발자국에 대한 상당한 우려를 불러일으키고 있습니다. 데이터 센터는 현대 디지털 인프라의 중추 역할을 하지만, 계산 능력과 냉각 요구 사항에서 비롯되는 에너지 집약적인 특성으로 인해 전력 수요와 그에 따른 온실가스 배출량을 증가시켜 왔습니다. 기존 문헌은 데이터 센터 에너지 사용량에 대해 다양한 추정치를 제시하고 있으나, 하이퍼스케일 시설의 배출량을 구체적으로 조사한 피어 리뷰 논문은 부족한 실정입니다. Siddik 등이 2018년에 발표한 이전 추정치들은 AI 워크로드와 암호화폐 채굴(본 분석에서는 제외됨)로 인한 수요 급증을 고려할 때 이제는 시대에 뒤떨어진 것입니다. 더욱이, 이질적인 소스를 통합하고 위성 이미지를 통해 인프라를 검증하며, 가장 최신의 그리드 데이터를 사용하여 특정 발전소에 배출량을 귀속시키는 시설 수준의 데이터가 부족한 상황입니다.

방법론 (Methodology)
저자들은 2024년 5월부터 2025년 4월 사이에 운영된 403개의 미국 하이퍼스케일 데이터 센터의 전력 소비량과 귀속 가능한 CO2 배출량을 추정하기 위해 확장 가능한 데이터 기반 파이프라인을 개발했습니다. 방법론은 다섯 가지 핵심 단계로 구성됩니다:

1. 데이터 수집 및 검증: 연구진은 민간 제공업체(Baxtel)로부터 675개의 잠재적 HDC 데이터 세트를 수집했습니다. 이 데이터 세트는 고해 resolução 위성 이미지(Esri World Imagery)와 OpenStreetMap(OSM)의 건물 풋프린트 데이터를 사용하여 엄격하게 검증되었습니다. 수동 검증 및 지오코딩을 통해 저자들은 403개 시설의 위치와 정체를 확인하였으며, 모든 시설의 면적 데이터를 확보했습니다.
2. 전력 용량 추정: 보고된 전력 용량이 없는 6개 시설에 대해서는 경사 부스팅 회귀 트리(GBRT) 모델을 훈련하여 결측값을 보정했습니다. 이 모델은 건물 면적, 기후 유형(Köppen-Geiger 분류), 그리고 계통 운영 구역(Balancing Authority region)을 예측 변수로 활용했습니다. 모델은 85/15 무작위 홀드아웃 분할에서 0.807의 $R^2$를 달럽했으며, 그룹화된 검증 체계를 통해 새로운 입지 선정을 위한 일반적인 예측 모델이라기보다 결측값 보정을 위한 도구로서의 유용성을 확인했습니다.
3. 전력 소비 모델링: 연간 전력 소비량은 전체 시설 전기 용량(IT, 냉각 및 오버헤드 포함)에 연간 운영 시간(8,760시간)과 시설 부하 계수($u$)를 곱하여 추정했습니다. 명목 용량(nameplate capacity)을 실제 운영 부하로 변환하는 과정의 불확실성을 인식하여, 저자들은 물리적으로 동기화된 네 가지 시나리오에 걸쳐 결과를 보고했습니다:
   • 저부하 ($u=0.48$): 전통적인 서버, 정격 최대 설계.
   • 중앙 ($u=0.58$): 전통적인 서버, 측정된 최대 설계, 바텀업 전력 흐름 모델링 및 독립적인 PUE 함축 체크와 일치함.
   • 중간-고부하 ($u=0.663$): 시설 용량에 적용된 서버 수준의 유효 활용도 (기존 연구와의 연속성을 위해 유지).
   • AI 가중 고부하 ($u=0.70$): AI 특화 시설의 높은 활용도를 반영.
4. 귀속 배출량 모델링: 각 HDC는 해당 계통 운영 구역(BA)으로 지오코딩되었습니다. 에너지 생성 가중(EGW) 귀속 모델이 적용되었으며, 이는 각 BA 내에서 총 HDC 전력 수요가 연간 순 전력 생성량에 비례하여 발전소에 분배된다고 가정합니다. 이 접근 방식은 연료 믹스와 배출 계수를 할당하기 위해 EPA eGRID2023 발전소 수준 데이터(수정 시점 기준 가장 최신의 완전한 릴리스)를 활용합니다.
5. 탄소 집약도 계산: 연구진은 공급 발전소에 귀속된 배출량과 부하를 합산하여 HDC의 가중 평균 탄소 집약도(gCO2/kWh)를 계산하고, 이를 미국 국가 그리드 평균과 비교했습니다.

주요 기여 (Key Contributions)

• 포괄적인 데이터 세트: 미국 전체 하이퍼스케일 전력 발자국의 약 56~82%를 나타내는, 검증된 403개 미국 HDC 규모의 시설 수준 데이터 세트 구축.
• 귀속 프레임워크: 특정 데이터 센터를 물리적 발전 믹스와 연결하는 투명한 귀속 회계 방식을 적용하여, 이를 결과적(marginal) 접근 방식과 차별화함.
• 시나리오 기반 추정: 단일 점 추정치가 아닌 범위 기반의 추정치(전력 68–99 TWh; 37–54 Mt CO2)를 제공하여, 시설 부하 계수 및 불완전한 커버리지에 따른 불확실성을 명시적으로 고려함.
• 공공 도구: 사용자가 주(state) 및 계통 운영 구역 수준에서 탄소 발자국, 전력 부하 및 연료 믹스를 탐색할 수 있는 공개 웹 플랫폼 개발.

결과 (Results)

• 전력 소비량: 중앙 시나리오($u=0.58$) 하에서 403개 HDC는 약 82 TWh의 전력을 소비했으며, 이는 미국 전체 전력 소비량의 약 1.8%를 차지합니다. 모든 시나리오를 통틀어 소비량은 68에서 99 TWh(국가 총량의 1.5–2.2%) 사이였습니다.
• 탄소 배출량: 관련 CO2 배출량은 3,700만 ~ 5,400만 메트릭 톤(Mt) 범위였으며, 중앙 추정치는 4,500만 Mt였습니다. 이는 2018년 HDC에 대해 추정된 1,050만 Mt보다 약 3.5배에서 5배 더 높습니다.
• 지리적 분포: 버지니아주가 가장 많은 HDC(142개)와 가장 높은 총 소비량(~21 TWh)을 보유했으며, 오리건, 오하이오, 아이오와가 그 뒤를 이었습니다. 이 네 개 주는 샘플 내 총 HDC 전력 소비량의 50% 이상을 차지했습니다.
• 연료 믹스 및 탄소 집약도: HDC에 귀속된 전력의 약 53.9%는 화석 연료(천연가스 38.2%, 석탄 15.2%)에 의해 공급되었고, 20.9%는 원자력, 25.3%는 재생 에너지에 의해 공급되었습니다. HDC 전력 가중 평균 탄소 집약도는 약 545 gCO2/kWh로, 이는 동시대 미국 국가 그리드 평균인 370 gCO2/kWh보다 약 48% 높습니다. 주목할 점은, HDC 전력 수요의 90%가 국가 평균보다 탄소 집약도가 높은 계통 운영 구역에 위치하고 있다는 것입니다.

의의 및 주장 (Significance and Claims)
본 논문은 가장 최신의 EPA eGRID 발전소 수준 데이터를 사용하여 하이퍼스케일 데이터 센터의 환경적 발자국을 평가하기 위한 강력한 귀속 도구를 제공한다고 주장합니다. 저자들은 HDC의 독특한 가시성과 잘 문서화된 인프라 덕분에 이들의 접근 방식이 통계적으로 견고한 평가를 제공한다고 강조합니다. 저자들은 자신들의 연구 결과가 데이터 센터를 탄소 집약적인 그리드가 있는 지역에 불균형적으로 집중시키고 있음을 보여주며, 이는 광범위한 섹터 분석에서 종종 간과되는 중요한 요소라고 주장합니다. 본 연구는 AI 채택이 추가적인 확장을 주도함에 따라 데이터 센터의 환경적 영향을 완화하기 위한 정책을 알리는 데 있어 데이터 기반 의사결정의 시급성을 강조합니다. 저자들은 자신들의 추정치가 엄격한 하한선이라기보다는 경계가 설정된 시나리오 기반 수치임을 명시하며, 불완전한 시설 커버리지 및 시설 수준의 PUE 데이터 부재와 같은 한계를 인정합니다. 저자들은 자신들의 작업이 데이터 센터를 타겟팅된 정책적 주의가 필요한 관련 경제 섹터로 인식하기 위한 필수적인 단계라고 규정하며, 시설 수준의 귀속 방식을 다른 문헌에서 발견되는 서버 수준 또는 AI 특화 배출량 전망과 구분합니다.