AI의 빛과 그림자, 탄소 내뿜는 AI?

AI의 빛과 그림자, 탄소 내뿜는 AI?

 

대학생신재생에너지기자단 17기 정예진, 18기 한동근, 19기 유홍주, 20기 조현욱

 

인공지능(AI)이란 말 그대로 지식 저장, 추론, 판단, 예측 등을 수행하는 인간의 사고 영역을 컴퓨터 시스템화하는 기술이다. 인간의 사고를 모의한 인공지능 기법은 인간 뇌의 장단점을 유사하게 갖고 있는데, 수학적인 계산능력에 있어서는 기존의 컴퓨터의 성능을 능가할 수 없지만 기존의 컴퓨터 하드웨어/소프트웨어 구조로는 거의 불가능한 연상, 추론, 판단, 예측 등의 상위 지식 영역 처리가 가능하다. 인공지능 기법의 응용이 효율적이기 위해서는 이러한 인공지능의 고유 특성을 파악하여 각 분야에 적절하게 접목하는 시도가 필요하다.

인공지능은 각 기법마다 다른 특성을 갖지만 대략적으로 아래와 같은 영역에 사용된다.

○    기존의 수치적 방법으로는 해결이 불가능한 영역

○    전문가의 지식, 경험이 요구되는 영역

○    계속적인 학습이 요구되는 영역

○    모호성에 대한 처리가 요구되는 영역

구글 알파고의 등장 이후 세계 시장은 AI에 대한 관심을 넘어 4차 산업혁명 및 AICBM(AI+IoT+Cloud+Big data+Mobile) 트렌드에 대한 적극적인 대응책의 마련을 위해 노력 중에 있다. 이로 인해 인공지능을 활용한 새로운 형태의 비즈니스군이 형성되고 있으며, AI를 혁신적인 서비스 변화의 핵심기술로 인식하고 도입하려는 움직임도 활발하다.

AI 분야의 세계 시장은 2018년에는 전년 대비 30%에서 50%로 성장하였으며, 2025년에는 평균 36%~45%로 대폭적인 성장세가 예상된다. 하지만 늘어나는 AI 수요만큼 전력소비량도 늘어나는데, 이를 줄이기 위해 AI 자체적으로 전력소모량을 줄이는 방법과 AI 실행을 위한 데이터센터의 전력사용을 재생에너지로 전환하는 방안 등이 제시된다. 

이 기사에서는 AI가 환경분야에 끼치는 긍정적 영향과 그로 인한 문제점 및 해결책을 알아볼 예정이다.

먼저, 그렇다면 AI는 환경분야에서 어떻게 쓰일까?

 

에너지 산업과 AI

대표적인 전통 산업이었던 전력 부문에도 새로운 바람이 불고 있다. 신재생에너지 확산과 스마트그리드의 보급을 필두로 시작된 변화는 지능화된 전력설비 도입, 새로운 전력체계 도입, 전력 판매 진화 등과 같이 다양한 신산업의 형태로 나타나고 있다. 전력시장 개편과 관련한 논의 속에서 진보화된 AI 기술들은 이러한 신산업과 융합해 시너지를 내게 될 것이다.

다음으로 소개될 신기술들은 현재 전력시장에서 이뤄지는 기술과 제도적 혁신 관점에서 4차 산업혁명의 핵심인 빅데이터와 AI를 접목한 부문들이다.  

(1)   부하 예측

*같이 보면 좋은 기사: 14기 이한주,  ‘신재생에너지 통합관제시스템 [예측하자 신재생! 줄이자 이산화탄소!]’

부하 예측 중에서도 단기 부하 예측은 전력 시스템의 운영에 있어 필수적이며 소비자 측면에서도 최적의 에너지 운영에 꼭 필요하다. 또한, 부하 예측에서 기계학습과 같은 AI 기술의 접목은 이미 보편화되어 있다.

영국의 National Grid는 구글의 DeepMind를 공급과 수요예측에 이용하고 있다. 그간 영국은 풍력과 태양광발전의 증가로 인한 간헐성으로 에너지 밸런싱에 어려움을 겪고 있었다.  National Grid는 이러한 간헐성에 대응하기 위하여 충분한 예비력을 준비해야 했으나 2014년 2억 2,000만 달러 규모의 예비력 자원이 예상한 값과 달라 사용되지 않았다. 변동성을 제대로 예측할 수 없으면 많은 예비력의 확보가 필수적이고 그만큼 손실을 보기 때문에 정밀하고 정확한 작업을 수행하는 AI의 역할이 중요하게 작용한다.

(2)   출력 최적화

AI는 각 재생자원을 실시간으로 제어한 뒤 발전효율을 최적화할 수도 있다. GE Renewable Energy의 ‘Digital Wind Farm’은 터빈의 가동을 모니터링하고 최적화해 에너지 생산을 20%로 증가시킬 수 있다고 제시한다. GE Renewable Energy는 모든 풍력발전소가 DNA나 지문처럼 고유한 특성을 지니고 있으므로 지형과 바람에 따라 어떻게 반응하는지를 파악한다면 각 발전단지의 특성에 맞는 가장 효율적인 터빈을 구성할 수 있다고 주장한다.

 [자료 1. GE사의 Digital Wind Farm] 

출처 : GE Renewable Energy

풍력 발전기의 용량, 높이 등의 특성을 기반으로 실제 설치 장소에 최적의 발전기 조합을 설계하고, 데이터에 기반해 최적의 운전을 하며 각 풍력자원 관리를 매 순간 가능하게 하면 연간 20%까지 에너지 생산을 향상할 수 있다.

(3)   예방정비

예방정비 (Predictive Maintenance)는 자산관리(Asset Management) 부문에서 주요한 역할을 담당한다. 태양광 발전의 경우 패널의 열화나 고장은 전체 시스템의 출력에 많은 영향을 미치며 풍력발전의 경우 수리비용이 높고 하나의 부품이 고장나도 작동할 수 없다는 문제점이 있다. 현재 태양광 발전 결함의 경우 드론과 같은 장비를 이용해 자동으로 고장을 발견하고 예측하고 있다.

풍력발전기의 경우 발전기 관리 분야 전문가가 점점 부족해지는 현실에서 분야별 전문가의 지식을 모델화하는 접근이 이뤄지기도 하지만 이러한 전통적인 방식은 정적인 상태 혹은 단일 사건 기반의 분석만이 가능하다. 그러나 AI를 사용할 경우 일시적인 문제들과 다양한 상황에서 발생하는 문제까지 다룰 수 있어 발전기의 결함에 수월하게 대처할 수 있게 된다.

(4)   수요관리

기계학습 등에 기반한 인공지능 기술을 접목하는 경우 사용자의 에너지를 더욱 스마트하게 사용할 수 있을 것으로 기대되며 이미 상당 부분 현실에서 쓰이고 있다. 영국의 Upside Energy는 수용자의 저장장치 관리에 있어서 기계학습 기술을 접목하고 있으며 Open Energy는 실시간으로 가용자원을 이전하도록 제어함으로써 수익을 창출하고 있다.

영국의 경우 피크 때 부하를 이전할 수 있는 수요자원은 6GW에 달하며 이는 수요 피크의 10% 에 해당하는 값이다. 또한 동적 유연성 자원은 750MW에 달하는 것으로 추정되고 있다. AI는 이러한 수요자원을 끌어내고 미래의 전기 시스템으로 활용할 수 있을 것으로 기대된다. 

[자료 2. 에너지 소비 제어를 위한 AI모델 학습]

출처 : 전기저널

[자료 2]는 이러한 에너지 소비 제어를 위해 AI를 사용해 모델을 학습하면서 그 결과가 수렴해가는 것을 보여준다.

(5)   고객 이해도 제고

소매 시장이 개방되지 않은 국내에서는 아직 부족한 부분이지만 전력 시장이 개방된 외국의 경우 고객의 이탈을 최소화하면서 전력사의 수익을 극대화하는 것이 큰 관심사다. 이를 위해 전력 회사들은 AI를 활용해 전기요금을 설계하기도 한다. 특히 AI는 전력 회사에 많은 수익을 주는 고객을 계속 유지하기 위한 맞춤형 요금제와 서비스를 만들어 줄 수 있을 것으로 기대되고 있다.

(6)   에너지 거래

에너지를 생산하고 판매할 수 있는 소비자인 에너지 프로슈머는 생산자와 소비자 간 P2P(peer-to-peer) 거래가 가능한 형태로 진화하고 있다. P2P 에너지 거래에서는 수요와 공급이 지속적으로 변화하며 거래의 단위가 작고 참여자가 많게 되므로 전통적인 최적화 방식이 동작하기 어렵고 사람이 참여해 반응하기에도 한계가 있다. AI는 이러한 거래를 보다 빠르게 연결해 줄 것으로 기대하고 있다.

[자료 3. Ai를 접목한 에너지 거래의 예]

출처 : Good Energy

 

AI가 탄소를 내뿜는다고?

하지만 인공지능이 항상 환경 분야에 유용한 역할을 하지만은 않는다. 실제로 인공지능을 학습시키고 사용하는 과정에서 많은 전력 소비와 탄소 배출이 동반되기 때문이다. 특히 딥러닝 모델의 경우 자연어 처리, 자율 주행, 로봇 제어 등 다양한 분야에 도입되면서 높은 정확도를 보여주고 있지만, 이를 가능케 하는 전기에너지의 소모는 환경오염의 주원인이 된다. 최근 매사추세츠 대학교에서 진행한 연구에 따르면, 자연어 처리(NPC) 분야의 인공지능이 학습하는 과정에서 발생하는 이산화탄소가 62만 6천 파운드에 달한다고 발표한 바 있다. 이는 자동차 5개가 평생 배출하는 탄소량에 맞먹는 수치로, 인간이 매년 배출하는 탄소량인 1만 1023파운드와 비교한다면 어마어마한 수치다. 특히 모델의 크기가 크고, 정확도가 높아질수록 훈련 과정에서 나타나는 이산화탄소 배출량이 증가하였다.

이러한 양상의 근본적인 원인은 AI와 인간이 정보를 학습하는 과정의 차이에 있다. 일반적으로 AI는 입력값과 출력 값에 해당하는 데이터를 통해 특정 함수를 찾는 방식으로 학습을 진행한다. 이때 컴퓨터가 세운 가설(함수)과 실제 데이터 사이의 차이인 오차가 발생하면, 특정 입력값에 대한 가중치를 조정함으로써 세밀하게 함수를 찾는다. 특히 딥러닝 모델의 경우 매우 많은 수의 인공 뉴런들이 층층이 쌓여있기 때문에 컴퓨터가 학습해야 할 가중치가 기하급수적으로 증가한다. 이러한 높은 연산량을 견디기 위해서 연구자들은 인공신경망 학습 계산 용도에 적합한 GPU(그래픽 처리장치)를 사용해야만 한다. 하지만 그 과정에서 GPU가 데이터 연산을 위해 필요로 하는 전력량은 높아져만 갔고, 학습에 필요한 시간이 증가할수록 이러한 경향은 뚜렷하게 나타났다. 실제로 1998년에 등장한 딥러닝 모델인 LeNet-5는 파라미터(가중치) 수가 100만 개에 불과했지만, 2014년에 개발된 VGGNet의 파라미터 수는 1억 3300만 개에 달했다. 

이에 비해 인간은 태어날 때부터 화학적 반응과 전기신호로 데이터를 학습하는 프레임이 갖추어져 있기 때문에 GPU로 많은 연산을 할 필요도, 학습을 위한 시간이 오래 걸리지도 않는다.

물론 미래에 인간의 뇌를 물리적으로 모방한 AI가 등장한다면, 연산을 위한 전력 소비에 대해 우려할 필요가 없을 것이다. 하지만 아직까지의 연구가 인간의 뇌를 소프트웨어적으로 구현하는 데에 그쳤기 때문에, 더욱이 인공지능의 전력 소비에 대한 대비가 필요하다.

 그렇다면 AI의 탄소 배출량을 줄일 수 있는 방법은 무엇이 있을까?

 

AI 알고리즘의 녹색화

[자료 4. AI의 학습 알고리즘]

출처 : 텐서 플로우 블로그

 

첫 번째로 AI의 딥러닝 구조를 효율화하여 학습에 필요한 에너지를 줄이는 방법이다. AI는 입력 데이터를 읽고 인코딩하는 과정을 반복하는 학습 과정을 거쳐 이를 바탕으로 입력 데이터가 주어졌을 때 기대되는 출력 값을 내보내도록 한다. 이때 학습 네트워크를 단순화해 연산량을 줄이는 ‘모델 경량화’ 연구가 주목을 받고 있다. 모델 경량화란 AI가 학습하는 네트워크 구조를 가볍게 하여 학습 과정을 빠르고 효율적으로 만들면서 정확도는 유지하는 최적화 기술이다. 현재 연구되고 있는 대표적인 모델 경량화 방법은 세 가지가 있다.

 

 [자료 5. 가지치기를 진행한 알고리즘]

출처 : ICHI.PRO

 

첫 번째는 가지치기(Prunning)다. 그림에서 볼 수 있듯이, AI의 학습 네트워크는 입력 데이터가 노드와 가중치의 연산을 통해 다음 노드로 전달되는 신경망의 형태로 구성되어 있다. 그러나 모든 가중치와 노드에 각각 연산을 진행하는 것은 데이터와 가중치가 늘어날수록 필요한 연산량이 급격히 늘어나게 된다. 그래서 이에 대한 해결책으로 제시된 것이 가지치기이다. 학습 과정에서 중요도가 떨어지는 노드를 제거하고 단순화된 네트워크에서 학습을 하는 과정을 반복하여 모델의 크기를 줄여나가는 방법이다. 가지치기가 진행될수록 학습 알고리즘은 단순해지고, 연산량도 줄기 때문에 결과적으로 에너지 소모량도 줄어들게 된다.

 

 [자료 6. 지식 증류]

출처 : Heath.log

 

 두 번째는 지식 증류(Knowledge Distillation)이다. 지식 증류는 크기가 크고 학습이 완료된 딥러닝 모델이 그보다 크기가 작은 딥러닝 모델에게 지식을 전달해주는 방식으로, 사전에 사람이 지정한 해답이 아닌 딥러닝 모델이 추론한 해답을 기반으로 학습을 진행하기 때문에 소프트 라벨링(Soft-Labeling)이라고도 불린다. 이 방법을 사용하면 대량의 연산을 통해 만들어진 우수한 성능을 지닌 선생님 모델(Teacher Model)을 이용하여 선생님 모델보다 가벼우면서도 비슷한 성능을 지닌 학생 모델(Student Model)을 만들 수 있다. 기존 학습 방식으로는 새로운 모델을 만들어내려면 다시 데이터를 입력시키고 많은 연산을 진행해야 했지만, 이미 만들어진 모델을 토대로 학습을 진행한다면 단순화된 알고리즘으로 연산을 덜 진행하면서 AI를 구축할 수 있다.

 세 번째는 양자화(Quantization) 기법이다. 양자화 기법은 학습 파라미터 값들의 비트 크기를 줄여 표현하는 방법으로, 여기서 양자화란 부동소수점 타입으로 표현되던 값을 보다 적은 비트로 표현하기 위해 변환하는 과정을 의미한다. 많은 딥러닝 모델들은 가중치를 부동소수점 타입으로 저장하고 있는데, 이를 양자화하여 그보다 낮은 비트로 표현하면 가중치를 버리지 않더라도 모델의 크기를 훨씬 줄일 수 있다. 예를 들면, (1.12, 3.42, -1.5, -12.2)로 표현되는 가중치를 (1, 1, -1, -1)로 표현해 용량을 줄인다는 것이다. 그러나 양자화 기법은 낮은 비트 크기로 인해 표현할 수 있는 수위 범위가 한정되어, 정확도 손실로 이어질 수 있다는 문제가 있다.

 

 이렇게 AI 모델을 경량화하면 학습 과정에 드는 시간과 비용을 크게 줄일 수 있어 에너지 소모량을 줄일 수 있고 결과적으로 AI가 배출하는 탄소의 양도 적어진다. 현재 모델 경량화 기술은 소모되는 에너지를 줄일 수 있을 뿐만 아니라 AI가 더 넓은 영역에 적용되는 데에도 해답이 되어줄 것으로 보인다. 모델 경량화를 통해 만들어진 고성능 고효율 AI 모델을 저전력 기기에 도입함으로써 모든 곳에 AI가 탑재될 수 있게 한다는 것이다. AI가 소모하는 에너지가 적어질수록 AI를 적용할 수 있는 분야는 넓어지고, 우려되는 AI의 탄소 배출 또한 줄일 수 있다. 더 이상 단순히 신경망의 크기를 키우는 데 집중하는 것이 해답이 아니라, AI를 모델링하는 보다 효율적인 방법이 필요한 시점이다.

 

 데이터센터의 녹색화

친환경 데이터센터 구축 또한 AI 에너지를 녹색화할 수 있는 방법이다. 데이터센터란 서버, 네트워크 등 IT 서비스 제공에 필요한 장비들을 한 건물에 모아 운영하고 통합 관리하는 시설을 이야기한다. AI는 방대한 규모의 데이터를 이용하기 때문에, 모든 데이터가 한 곳에 모이는 데이터센터와 AI는 떼려야 뗄 수 없는 존재이다. 따라서 AI 에너지를 이용하는 기업들은 AI 에너지를 녹색화 하기 위해 친환경 데이터센터를 설계한다.

애플은 2030년까지 제품, 그리고 공급망에서의 탄소 중립을 달성하겠다는 계획을 발표하였고, 2018년부터 전 세계 모든 데이터센터 시설을 100% 신재생에너지로 가동하였다. 또한 세계 최대 소셜미디어 기업인 페이스북은 데이터센터에서 에너지 소모에 가장 큰 비중을 차지하는 냉각시스템을 신재생에너지를 사용하여 친환경으로 바꾸었다. 기온이 낮은 자연환경을 이용해 냉방기 가동 시스템을 대체하였고, 수력, 풍력 등의 재생에너지를 통해 데이터센터를 운영하고 있다. 마이크로소프트(MS)는 ‘나틱 프로젝트’를 추진 중인데, 이는 해저에서 데이터센터를 운영하는 것이다. 해저는 온도가 낮기 때문에 하드웨어가 밀집된 데이터센터의 열을 식히는 데 효과적이다. 네이버는 데이터센터의 폐열을 온실 식물재배와 난방에 사용하는 등의 친환경 기술을 선보이고 있다. 뿐만 아니라 전력을 적게 쓰는 서버 개발과, 더운 공기와 찬 공기가 섞이지 않게 하는 차폐 시스템을 데이터센터에 구축하여 에너지 효율성을 높였다.

 데이터센터와 AI 시스템을 접목하여 친환경 데이터센터를 실현하는 기업들도 늘어나고 있다.

구글은 AI 알고리즘을 적용하여 친환경 데이터센터를 구축하였다. 이를 구글 딥마인드라고 하며, 각종 센서에서 수집한 온도, 펌프 속도, 소비전력 데이터로 인공지능 엔진을 훈련해 데이터센터 냉각 전력 40%, 전체 전력 15%를 감축하였다. 중국 통신장비 제조업체인 화웨이는 AI 기술을 이용해 지능적으로 데이터센터를 관리한다. AI기반의 지능형 운영 관리를 구현하여 AI 고장 식별, 무인 검사, 이미지 및 사운드의 자동 식별을 통해 운영 관리 비용 및 에너지 효율을 30%까지 절감하는 친환경 데이터센터를 보여주고 있다.

[자료 7. 미국에 위치한 구글 데이터센터 내부 모습]

출처 : GURU 

AI와 신재생에너지의 융합

인공지능과 신재생에너지를 합친 개념을 ‘스마트 에너지’라고 한다. AI는 재생에너지의 불확실성을 감소시켜 효과적으로 신재생에너지 시스템을 통합할 수 있게 한다. AI는 태양광 및 풍력 발전량과 전력 수요를 정확하게 예측하고, 화석연료 발전량을 조절한다. 태양광, 풍력 등 재생에너지는 대기환경에 따라 효율이 크게 달라지기 때문에 AI의 기상 환경 분석은 에너지 발전의 효율성을 극대화하고 있다. 또한 스마트그리드를 통해 효과적으로 전력을 저장, 전송하는 것을 가능하게 하는 등 신재생에너지가 인공지능화 되면서 에너지의 혁신을 가속화한다.

 

AI가 미래산업을 이끌 주연으로 각광받고 있기는 하지만 AI가 더욱 우리의 삶에 가까이 다가오기 위해서는 환경적인 문제 또한 고려해야 하는 요소이다.  AI는 현재에서 더 나아가 탄소 중립 실현에도 도움이 되어야 진정한 미래 산업으로 거듭날 수 있다. 데이터의 이동이 존재하고, 전력을 이용하여 작동하는 AI에게 있어서 환경과 에너지 문제는 불가피하다. 하지만 우리는 항상 변화에 맞춰 새로운 기술을 개발해 왔고, 문제점이 생기면 해결방안을 찾아왔다. AI와 환경의 문제 또한 마찬가지일 것이다. 현재, 보다 친환경적인 AI의 발전을 위해 노력하고 있는 모습을 보면 앞으로의 AI 기술이 기대가 된다. 계속적인 연구와 개발을 통해 친환경 AI가 도래하기를 기대한다. 

 

---

참고문헌

서론

1.   인공지능(Artificial Intelligence) 이슈와 국제 표준화 동향,조영임,월간sw중심사회,2021.04

2.     전력산업의 인공지능 활용방안 연구, 최은선 양원철, 대한 전기학회, 2018.11

3.     전력시스템에 있어서의 인공지능의 응용, 박종근, 대한 전기학회, 1993.11.26

 

에너지 산업과 AI

1. 기술혁신 기반의 해외전력신산업과 인공지능(AI), 손성용 교수, 전기저널, 2019.10.01

https://www.goodenergy.co.uk/blog/2016/05/18/piclo-future-renewables/

 

AI가 탄소를 내뿜는다고?

1. 김민주, “두 얼굴의 AI… 환경 문제 해결 돕지만 막대한 전력 소모 주범”, 매거진 한경, 2021.01.13, https://magazine.hankyung.com/business/article/202101136105b

2. Kate Saenko, “It takes a lot of energy for machines to learn - here’s why AI is so power-hungry”, THE CONVERSATION,  2020.12.15, https://theconversation.com/it-takes-a-lot-of-energy-for-machines-to-learn-heres-why-ai-is-so-power-hungry-151825

 

AI 알고리즘의 녹색화

1. 박혜섭, 정윤아, “최대한 가볍게 만들면서 기능은 유지 [특별기획 AI 2030] ⑳ 모델 경량화”, AI타임스, 2021. 02. 26 http://www.aitimes.com/news/articleView.html?idxno=136725

2. 박혜섭, “AI·머신러닝이 뿜어내는 엄청난 탄소배출량 어이할꼬?...왜 그럴까?”, AI타임스, 2020. 12. 16 http://www.aitimes.com/news/articleView.html?idxno=134905

3. 주영재, “[특집] AI가 기후변화·불평등 악화시킨다”, 주간경향, 2020. 01. 06 https://weekly.khan.co.kr/khnm.html?mode=view&artid=201912271605331&code=114

4. 지능형인프라기술연구단, “딥러닝 모델 경량화 기술 분석”, 2020. 11 https://repository.kisti.re.kr/bitstream/10580/15591/1/%28%EA%B8%B0%EC%88%A0%29%EB%94%A5%EB%9F%AC%EB%8B%9D%20%EB%AA%A8%EB%8D%B8%20%EA%B2%BD%EB%9F%89%ED%99%94%20%EA%B8%B0%EC%88%A0%20%EB%B6%84%EC%84%9D.pdf

5. UDK 릿큐, Computistics, “[Intro] 딥러닝 경량화 모델 방법론 소개”, 2021. 1. 8 https://computistics.tistory.com/22

6. U Kang, “Lightweight Deep Learning with Model Compression” https://datalab.snu.ac.kr/~ukang/talks/19-BigComp19-tutorial/DeepModelCompression-2.pdf

 

데이터센터의 녹색화

1. 김지선, "글로벌은 친환경 데이터센터 바람", et뉴스, 2021.04.19, https://m.etnews.com/20210419000195

2. 양대규, "화웨이, AI 적용한 친환경 데이터센터 솔루션 공개", AI타임스, 2020.11.01, http://www.aitimes.com/news/articleView.html?idxno=133320

3. 이한, "친환경 데이터센터 세우는 국내외 기업들", 그린포스트코리아, 2021.05.26, http://www.greenpostkorea.co.kr/news/articleView.html?idxno=128989

4. "화웨이, 네이버, MS... IT기업들 '데이터센터' 친환경 해법은?", IMPACT ON, 2020.11,16, http://www.impacton.net/news/articleView.html?idxno=770

 

AI와 신재생에너지의 융합

1. 박상민, "재생에너지, 인공지능과 만나면 '스마트 에너지'", 한국에너지, 2018.05.21, http://www.koenergy.co.kr/news/articleView.html?idxno=100505

2. 정대한, "글로벌 IT 업계도 친환경 데이터센터 붐", 이투에디, 2021.06.28, https://m.etoday.co.kr/view.php?idxno=2039272