🤖 machine learning

A Physics-Aware Framework for Short-Term GPU Power Forecasting of AI Data Centers

تقدم هذه الورقة البحثية نموذج PI-DLinear، وهو نموذج جديد للسلاسل الزمنية مستند إلى الفيزياء يدمج شبكة مقاومة وحرارية (RC) متعددة العقد مع بيانات استهلاك وحدة معالجة الرسومات لتحقيق دقة رائدة في التنبؤ قصير المدى بالطاقة لمراكز بيانات الذكاء الاصطناعي مع ضمان الاتساق الفيزيائي أثناء تغيرات الأحمال العابرة.

المؤلفون الأصليون: Mohammad AlShaikh Saleh, Sanjay Chawla, Sertac Bayhan, Haitham Abu-Rub, Ali Ghrayeb

نُشر 2026-05-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mohammad AlShaikh Saleh, Sanjay Chawla, Sertac Bayhan, Haitham Abu-Rub, Ali Ghrayeb

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح للورقة البحثية باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

الصورة الكبيرة: التنبؤ بـ "الجوع الكهربائي" للذكاء الاصطناعي

تخيل مركز بيانات ضخم كأنه مطبخ عملاق حيث يقوم آلاف الطهاة (حواسيب الذكاء الاصطناعي) بطهي وجبات مختلفة. أحياناً يجهزون سلطة بسيطة (مهمة صغيرة)، وأحياناً أخرى يشوون ديكاً رومياً كاملاً (تدريب نموذج ذكاء اصطناعي ضخم).

المشكلة هي أن هؤلاء الطهاة لا يأكلون بوتيرة ثابتة. فقد يقررون فجأة طهي خمسة دكاك رومية في وقت واحد، مما يتسبب في ارتفاع حاد ومفاجئ في استهلاك الطاقة. إذا لم تكن شبكة الكهرباء (مصدر الإمداد الرئيسي) تعلم بقدوم هذا الأمر، فقد تتعرض للضغط الشديد، مما يؤدي إلى انقطاع التيار أو عدم الاستقرار.

قام مؤلفو هذه الورقة ببناء "كرة بلورية" جديدة (نموذج تنبؤ) لتوقع كمية الكهرباء التي ستحتاجها هذه المطابخ الخاصة بالذكاء الاصطناعي بدقة خلال الـ 5 إلى 80 دقيقة القادمة. سرهم؟ لم يتركوا الكمبيوتر يخمن بناءً على الأنماط الماضية فحسب؛ بل علموه قوانين الفيزياء.

المشكلة في "الكرات البلورية" القديمة

معظم أدوات التنبؤ الحديثة تشبه الطلاب الذين يحفظون البطاقات التعليمية فقط. إذا بدت البيانات مثل تلك البطاقات، يحصل الطالب على درجة امتياز. ولكن إذا حدث شيء غريب — مثل قيام طاهٍ بإطفاء الفرن فجأة لأن الحرارة أصبحت عالية جداً (حدث "تخنيق" أو Throttle) — يصاب الطالب بالارتباك ويقدم تخميناً سيئاً.

تجادل الورقة بأن نماذج الذكاء الاصطناعي القياسية غالباً ما تفشل عندما يحدث:

التخنيق الحراري (Power Throttling): عندما يبطئ الكمبيوتر نفسه لمنع ارتفاع درجة الحرارة.
القفزات المفاجئة (Sudden Spikes): عندما تتغير ضغوط العمل بشكل لحظي.
التعافي (Recovery): عندما يحاول النظام الاستقرار بعد حدوث قفزة في الاستهلاك.

الحل: "DLinear الواعي بالفيزياء" (Physics-Aware DLinear)

ابتكر المؤلفون نموذجاً يسمى PI-DLinear. فكر في هذا النموذج كطالب لا يحفظ البطاقات التعليمية فحسب، بل يفهم أيضاً كيف يعمل المطبخ.

1. شبكة (RC) الحرارية (تشبيه "القدر الساخن")

جوهر ابتكارهم هو مجموعة من المعادلات الرياضية (ODEs) التي تصف كيفية انتقال الحرارة.

التشبيه: تخيل أن وحدة معالجة الرسومات (GPU - عقل الذكاء الاصطناعي) والذاكرة (ذاكرته قصيرة المدى) هما قدران من الماء موضوعان على موقد.
الفيزياء: عندما ترفع درجة الحرارة (الطاقة)، يسخن الماء. لكن الماء لا يسخن فوراً؛ بل يستغرق وقتاً. وأيضاً، القدران موضوعان بجانب بعضهما البعض، لذا تنتقل الحرارة من القدر الأكثر سخونة إلى القدر الأبرد.
الابتكار: اشتق المؤلفون معادلات رياضية جديدة لوصف كيفية تسخين وتبريد هذه "القدور" بناءً على قانون نيوتن للتبريد. لقد أجبروا نموذج الذكاء الاصطناعي الخاص بهم على اتباع هذه القواعد. فإذا توقع النموذج أن الطاقة سترتفع، لكن درجة الحرارة مرتفعة بالفعل بحيث لا يمكن تحمل هذه الطاقة، فإن النموذج "يعرف" أن هذا مستحيل ويقوم بتصحيح نفسه.

2. قاعدة "التخنيق" (The Throttle Rule)

تعلم النموذج أيضاً قاعدة محددة: "إذا كان الطاهي يعمل بنسبة 90% من طاقته والقدر يغلي، فلا بد أن تنخفض الطاقة".
النماذج القياسية قد تستمر في التنبؤ بطاقة عالية لأن الطاهي كان يعمل بجهد قبل دقيقة واحدة. أما النموذج الجديد فيعرف أنه في العالم الحقيقي، تعمل آليات السلامة، ويتنبأ بانخفاض الطاقة بدقة.

ما مدى نجاح ذلك؟

اختبر الفريق نموذجهم باستخدام بيانات حقيقية من MIT Supercloud، وهو مرفق بحثي ضخم للذكاء الاصطناعي. وقارنوا "نموذجهم الواعي بالفيزياء" بـ 16 نموذجاً آخر من الطراز الرفيع (بما في ذلك نماذج معقدة تسمى Transformers).

الدقة: كان النموذج الجديد أكثر دقة باستمرار. فقد ارتكب أخطاء أقل، خاصة عند التنبؤ بـ "القفزات" و"الانخفاضات" في الطاقة.
الاستقرار: عندما تغير ضغط عمل الذكاء الاصطناعي فجأة، استعاد النموذج الجديد دقته بشكل أسرع بكثير من النماذج الأخرى.
الكفاءة: رغم كونه أكثر ذكاءً، إلا أن النموذج خفيف الوزن للغاية. إنه يشبه سيارة مدمجة وعالية الكفاءة توفر في استهلاك الوقوق أكثر من سيارة دفع رباعي فاخرة وضخمة. فهو لا يتطلب حاسوباً خارقاً لتشغيله؛ بل يمكنه العمل على معدات المراقبة القياسية في مراكز البيانات.

النقاط الرئيسية المستخلصة

لا تخمن فحسب، بل افهم: من خلال تعليم الذكاء الاصطناعي أساسيات فيزياء الحرارة والكهرباء، يصبح أكثر موثوقية عندما تصبح الأمور فوضوية.
السلامة أولاً: النموذج ممتاز في التنبؤ متى سيقوم الكمبيوتر بـ "الضغط على المكابح" (التخنيق) لحماية نفسه من ارتفاع درجة الحرارة.
جاهز للعالم الحقيقي: يعمل على بيانات حقيقية من حاسوب فائق، ويتعامل مع كل شيء بدءاً من النماذج اللغوية وصولاً إلى مهام التعرف على الصور.

باختطصار، تظهر الورقة أنه إذا كنت تريد التنبؤ باحتياجات الطاقة لمركز بيانات ذكاء اصطناعي فوضوي، فلا ينبغي لك النظر إلى الأرقام فحسب؛ بل يجب أن تفهم الحرارة والفيزياء الكامنة وراءها.

ملخص تقني: إطار عمل مدرك للفيزياء للتنبؤ بقوة وحدة معالجة الرسومات (GPU) قصيرة المدى لمراكز بيانات الذكاء الاصطيائي

1. بيان المشكلة

تواجه مراكز بيانات الذكاء الاصطناعي تحديات غير مسبوقة في إدارة الطاقة بسبب عدم تجانس وتقلبات المهام الحسابية، لا سيما النماذج اللغوية الكبيرة (LLMs)، والشبكات الرؤية، والشبكات العصبية الرسومية (GNNs). تُظهر أحمال عمل الذكاء الاصطناعي الحديثة كثافة طاقة عالية (300-1,200 واط لكل وحدة معالجة رسومات) وتقلبات طاقة عابرة يمكن أن تتجاوز 132 كيلوواط/ثانية على مستوى الرف (Rack). هذه التغيرات السريعة تهدد استقرار الشبكة، مما يستلزم تنبؤاً دقيقاً قصير المدى بالقوة (من 5 إلى 80 دقيقة مستقبلاً) لتوجيه استراتيجيات التحكم مثل التحكم الآلي في التوليد (AGC) والاستجابة للطلب.

بينما حققت نماذج التعلم العميق، وخاصة المحولات (Transformers)، تقدماً في التنبؤ بالسلاسل الزمنية، إلا أنها غالباً ما تنتج تنبؤات غير متسقة فيزيائياً. فهي تعاني مع سيناريوهات خارج التوزيع (out-of-distribution)، مثل أحداث خنق الطاقة (power throttling)، وتقلبات الأحمال المفاجئة، واستقرار ما بعد الخنق، لأنها تعتمد فقط على الأنماط الإحصائية بدلاً من الآليات الفيزيائية الكامنة. علاوة على ذلك، تفتقر الأدبيات الحالية إلى المعادلات التفاضلية العادية (ODEs) المعتمدة على الزمن التي تربط صراحة بين استهلاك طاقة وحدة معالجة الرسومات ودرجة حرارة وحدة المعالجة والذاكرة ومعدل الاستخدام، وهو شرط مسبق لإطار عمل مدرك للفيزياء حقاً.

2. المنهجية: PI-DLinear

يقترح المؤلفون PI-DLinear، وهو نسخة مدركة للفيزياء من نموذج السلاسل الزمنية DLinear. يدمج إطار العمل خلفية تنبؤ قائمة على البيانات مع حد تنظيم قائم على الفيزياء مشتق من شبكة مقاومة-سعوية (RC) حرارية متعددة العقد بنظام الكتلة المجمعة.

2.1 البنية الأساسية (DLinear)

الأساس هو DLinear، الذي يفكك بيانات السلسلة الزمنية إلى مكونات الاتجاه (trend) والمكونات الموسمية/المتبقية باستخدام نواة المتوسط المتحرك. يتم معالجة هذه المكونات بواسطة طبقات خطية منفصلة وتُجمع لإنتاج التنبؤ النهائي. تم اختيار هذه البنية لقدرتها على التعامل مع الاتجاهات الواضحة وكفاءتها الحسابية.

2.2 القيود المدركة للفيزياء

لفرض الاتساق الفيزيائي، اشتق المؤلفون معادلات تفاضلية عادية (ODEs) جديدة بناءً على شبكة RC حرارية مرتبطة ببعضها البعض ومتسقة مع قانون نيوتن للتبريد. يعامل النموذج درجة حرارة وحدة معالجة الرسومات ( $T_g$ ) ودرجة حرارة الذاكرة ( $T_m$ ) كحالات حرارية مقترنة.

النموذج الحراري RC: يتم نمذجة النظام باستخدام معادلات توازن الطاقة حيث تدفع استهلاك الطاقة ( $P$ ) تغيرات درجة الحرارة، ويتبع تبديد الحرارة تبريد نيوتن. المعادلات الحاكمة هي:
$C_g \frac{dT_g}{dt} = \alpha P - \frac{T_g - T_a}{R_{ga}} - \frac{T_g - T_m}{R_{gm}}$
$C_m \frac{dT_m}{dt} = (1-\alpha) P - \frac{T_m - T_a}{R_{ma}} + \frac{T_g - T_m}{R_{gm}}$
حيث تمثل $C$ السعة الحرارية، و $R$ المقاومة الحرارية، و $T_a$ درجة الحرارة المحيطة، و $\alpha$ معامل تقسيم الطاقة الكامن بين وحدة معالجة الرسومات والذاكرة.
قيد معدل الطاقة: من خلال حل المعادلات التفاضلية العادية (ODEs)، يتم اشتقاق قيد على معدل تغير الطاقة ($dP/dt$)، مما يربط مسارات الطاقة المتوقعة بمشتقات درجة الحرارة المرصودة.
قيد الخنق (Throttling): تم إدخال مكون خسارة محدد ( $L_{throttle}$ ) للتعامل مع خنق الطاقة. بناءً على الملاحظات من مجموعة بيانات MIT Supercloud، يرتبط الخنق ارتباطاً وثيقاً بالاستخدام المستدام العالي ( $>90\%$ ) وليس فقط درجات الحرارة القصوى. يعاقب هذا القيد زيادات الطاقة المتوقعة عندما تتجاوز نسبة الاستخدام ودرجة الحرارة عتبات معينة، مما يفرض الواقع الفيزيائي بأن الطاقة يجب أن تنخفض أو تستقر تحت الضغط العالي.

2.3 دالة الخسارة

دالة الخسارة الإجمالية هي مجموع أوزان ثلاثة مكونات:
$L = \lambda_u L_{Data} + \lambda_r L_{r} + \lambda_\theta L_{throttle}$

$L_{Data}$ : متوسط الخطأ التربيعي (MSE) القياسي بين الطاقة المتوقعة والفعلية.
$L_{r}$ : خسارة البواقي التي تفرض معادلات ODE لشبكة RC الحرارية.
$L_{throttle}$ : قيد الخسارة الذي يمنع زيادات الطاقة أثناء أنظمة الاستخدام العالي/الخنق.
يتم تحسين معاملات الوزن ( $\lambda$ ) باستخدام طريقة صعود التدرج ذاتية التكيف في الفضاء اللوغاريتمي لموازنة دقة البيانات والقيود الفيزيائية.

3. الإعداد التجريبي

مجموعة البيانات: تم تدريب وتقييم النموذج على مجموعة بيانات MIT Supercloud، وهي تتبع عالي الدقة (بفارق دقيقة واحدة) متاح للجمهور من فبراير إلى أكتوبر 2021. تتضمن سجلات بفاصل 100 مللي ثانية مجمعة إلى فترات دقيقة واحدة تغطي 448 وحدة معالجة رسومات NVIDIA Volta V100.
أحمال العمل: تشمل مجموعة البيانات أحمال عمل متنوعة للذكاء الاصطناعي، بما في ذلك شبكات الرؤية (مثل U-Net و ResNet)، والنماذج اللغوية الكبيرة (مثل BERT)، والشبكات العصبية الرسومية (GNNs).
النماذج المرجعية: تمت مقارنة النموذج المقترح مع 16 نموذجاً من أحدث التقنيات (SOTA)، بما في ذلك بنيات المحولات (iTransformer, PatchTST, FEDformer) والنماذج الخطية غير المحولة (DLinear, NLinear, Linear).
المقاييس: تم تقييم الأداء باستخدام MAE، و MSE، و RMSE، و MAPE عبر نوافذ زمنية مختلفة للنظر للخلف (240-600 دقيقة) وآفاق تنبؤ (5-80 دقيقة).

4. النتائج الرئيسية

دقة التنبؤ: تفوق PI-DLinear باستمرار على جميع النماذج المرجعية (SOTA). عبر جميع نوافذ النظر للخلف والتنبؤ، حقق تحسينات تتراوتح بين 0.782%–39.08% لـ MSE، و 0.993%–51.82% لـ MAE، و 0.370%–22.28% لـ RMSE. ومن الجدير بالذكر أنه حقق أدنى قيم لـ MSE و RMSE عند كل طول تسلسل تم اختباره.
كشف الخنق والاستقرار العابر: حسنت القيود المدركة للفيزياء الأداء بشكل كبير خلال الأحداث الحرجة.
- كشف الخنق: حسن PI-DLinear معدلات اكتشاف أحداث الخنق بمتوسط 6.88%، مع تحسن ذروي قدره 19.75% عند نافذة نظر للخلف مدتها 360 دقيقة وأفق تنبؤ 10 دقائق.
- الاستقرار العابر: تحت تقلبات الأحمال المفاجئة، استعاد PI-DLinear دقة التنبؤ بشكل أكثر قوة من DLinear (على سبيل المثال، RMSE قدره 2.3061 مقابل 2.8610 لـ DLinear).
- ما بعد الخنق: بعد انحسار الخنق، حافظ PI-DLinear على تنبؤات مستقرة بأخطاء أقل (MAE: 0.1112 مقابل 0.1795).
الكفاءة: يحافظ PI-DLinear على البصمة الخفيفة لنموذج DLinear الأساسي (96 ألف معلمة، 0.376 ميجابايت ذاكرة). بينما زاد وقت التدريب بنحو 1.9 ضعف بسبب الحسابات الفيزيائية، إلا أن الاستدلال (inference) يظل فعالاً. وهذا يتناقض بشدة مع النماذج الأثقل مثل FiLM (12.9 مليون معلمة) أو TiDE، والتي لم تقدم أي مكاسب في الدقة رغم تكلفتها الحسابية العالية.
الاستقرار: على عكس بعض نماذج المحولات التي أظهرت عدم استقرار مع تغير أطوال التسلسل (مثل Crossformer عند 360 دقيقة)، أظهر PI-DLinear استقراراً ملحوظاً مع زيادة نافذة التاريخ، مما يجعله مناسباً للنشر المرن في وحدات التحكم في مراكز البيانات.

5. الأهمية والادعاءات

يدعي البحث تقديم أول نموذج DLinear مدرك للفيزياء للتنبؤ بطاقة مراكز بيانات الذكاء الاصطناعي، والذي يدمج بنجاح شبكة RC حرارية متعددة العقد بنظام الكتلة المجمعة. تكمن أهميته الأساسية في:

الاشتقاق المبتكر: يعد هذا أول عمل يشتق معادلات تفاضلية عادية (ODEs) تعتمد على الزمن وتربط طاقة وحدة معالجة الرسومات/الذاكرة بدرجة الحرارة والاستخدام لتعمل كقيود مدركة للفيزياء، مما يعالج الفجوة في الأدبيات الحالية حيث لم تكن مثل هذه المعادلات المقترنة متاحة.
الاتساق الفيزيائي: من خلال ربط التعلم بالآليات الفيزيائية الحقيقية (قانون نيوتن للتبريد وحفظ الطاقة)، يضمن النموذج أن التنبؤات تحترم القوانين الفيزيائية، خاصة أثناء الأحداث غير المستقرة مثل خنق الطاقة حيث تفشل النماذج المعتمدة على البيانات فقط.
النشر العملي: يقدم إطار العمل مقايضة فائقة بين الدقة والكفاءة الحسابية. فهو يحقق أداءً رائداً (SOTA) دون العبء الحسابي الثقيل لبنيات المحولات المعقدة، مما يجعله قابلاً للتطبيق في الوقت الفعلي في أنظمة مراقبة وتحكم مراكز البيانات.
مرونة الشبكة: يُنظر إلى التنبؤ قصير المدى الدقيق لأحمال الذكاء الاصطناعي كعامل تمكين حاسم لمشغلي الشبكة لإدارة إجراءات التوازن، ومتطلبات الاحتياطي، وتنظيم التردد، مما يعزز مرونة شبكة الكهرباء ضد تقلبات أحمال الذكاء الاصطناعي الحديثة.