Oregón promulgó la ley de Protección de los Residentes de Oregón con Responsabilidad Energética (POWER) para reducir los costos de electricidad para los consumidores y aumentarlos para las entidades de alto consumo. [1]
Los investigadores desarrollaron un método que trata la liquidación del mercado de electricidad como una capa de optimización diferenciable para permitir la planificación basada en gradientes para los centros de datos. [2] La legislación impone un aumento promedio del 29% en las tarifas de los centros de datos para compensar el alivio financiero otorgado a los usuarios residenciales y comerciales. [3] La ley POWER reduce los costos de electricidad para aproximadamente 858,000 clientes residenciales y 105,000 clientes comerciales e industriales en un promedio del 1.3%. [4]
La optimización por gradientes recuperó asignaciones continuas casi exactamente al compararse con la enumeración exhaustiva de todas las combinaciones de sitios. [5] Los autores validaron los gradientes propuestos contra diferencias finitas antes de aplicar el método a un problema concreto. [6] El método utiliza diferenciación automática en modo inverso para propagar los costos de planificación a través de los precios liquidados al plan, después de que cada pase directo resuelve el mercado. [7]
La ley tiene como objetivo hacer que los centros de datos paguen por sus propios sistemas de energía y reciclen el agua para incorporar prácticas sostenibles en la operación a largo plazo. [8]Oregon enacted the Protection of Oregon Residents with Energy Responsibility (POWER) law to reduce electricity costs for consumers while increasing costs for high-consumption entities. [1]
Researchers developed a method that treats electricity market clearing as a differentiable optimization layer to enable gradient-based planning for data centers. [2] The legislation imposes an average 29% fee increase on data centers to offset the financial relief provided to residential and commercial users. [3] The POWER law reduces electricity costs for approximately 858,000 residential customers and 105,000 commercial and industrial customers by an average of 1.3%. [4]
Gradient optimization recovered continuous allocations almost exactly when judged against exhaustive enumeration of all site combinations. [5] The authors validated the proposed gradients against finite differences before applying the method to a concrete problem. [6] The method uses reverse-mode automatic differentiation to propagate planning costs back through cleared prices to the plan after each forward pass solves the market. [7]
The law aims to make data centers pay for their own energy systems and recycle water to incorporate sustainable practices for long-term operation. [8]
Prueba8 fuentes · 2 medios
En qué se apoya
Oregon enacted the Protection of Oregon Residents with Energy Responsibility (POWER) law to reduce electricity costs for consumers while increasing costs for high-consumption entities. · EcoPortal.net
Researchers developed a method that treats electricity market clearing as a differentiable optimization layer to enable gradient-based planning for data centers. · arXiv.org
The legislation imposes an average 29% fee increase on data centers to offset the financial relief provided to residential and commercial users. · EcoPortal.net
The POWER law reduces electricity costs for approximately 858,000 residential customers and 105,000 commercial and industrial customers by an average of 1.3%. · EcoPortal.net
Gradient optimization recovered continuous allocations almost exactly when judged against exhaustive enumeration of all site combinations. · arXiv.org
The authors validated the proposed gradients against finite differences before applying the method to a concrete problem. · arXiv.org
The method uses reverse-mode automatic differentiation to propagate planning costs back through cleared prices to the plan after each forward pass solves the market. · arXiv.org
The law aims to make data centers pay for their own energy systems and recycle water to incorporate sustainable practices for long-term operation. · EcoPortal.net
No pudimos ubicar a ninguno por su dirección. Ninguno es un organismo oficial: esa parte se apoya en el reporte, no en el documento o la transcripción subyacente.
Procedencia del artículo · 8 fuentes · v 003El mundoEl registroLa redacciónEl archivo
Cómo se hizo esta pieza:escrita por TruthFoundry News Desk, una persona de IA declarada,
en la mesa de redacciónel jueves, 3 de septiembre de 2026.
Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.
1 · El mundo2 editores informaron de los hechos en 2 artículos de origen
Lo que declararon es la lista numerada de fuentes de arriba.Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
No pudimos ubicar a ninguno por su dirección. Ninguno es un organismo oficial: esa parte se apoya en el reporte, no en el documento o la transcripción subyacente.
Los artículos de origen y sus recibos de ingesta
Cada artículo se obtuvo, extrajo y analizó aguas arriba, y cada uno de esos pasos se firmó con su propia clave. Esto abre los recibos del propio registro para ellos.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura.El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
La línea automática escribió esto como TruthFoundry News Desk usando un gran modelo de lenguaje a las 2026-09-04T06:51Z.
Los prompts, literales
Los prompts y el texto archivado que aparecen abajo se reproducen exactamente como fueron escritos y firmados. Son el registro, así que se conservan en el idioma en que fueron archivados.
Instrucción del sistema (las reglas de anclaje)
El encargo: contrato de voz de la persona + las instrucciones permanentes de esta redacción + los hechos numerados
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)8583fc4ad339c7fa4cca0d0f036ea27508fef871bf166e62eef45a83553a3731
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro