Performance Analysis for Leveraging AI to Reduce Energy Consumption of a Data Center: A Safe Deep Reinforcement Learning and Workload-Aware Framework
تقدم هذه الورقة إطار عمل للتعلم التعزيزي العميق الآمن المتكامل مع استراتيجيات مراعية لحجم العمل ونموذج توأم رقمي، مما يقلل من استهلاك الطاقة السنوي لمركز بيانات بقدرة 10 ميجاوات في أبو ظبي بنسبة 15.3% ويحسن كفاءة استخدام الطاقة من 1.421 إلى 1.291 مع الحفاظ على قيود السلامة الحرارية.
يعتمد العالم الحديث على مراكز البيانات، وهي مستودعات ضخمة من الحواسيب التي تشغل كل شيء، بدءاً من الخدمات المصرفية عبر الإنترنت وصولاً إلى أنظمة الذكاء الاصطناعي التي تعيد تشكيل الحياة اليومية. هذه المرافق قوية للغاية، لكنها أيضاً مستهلكة نهمة للكهرباء. ويذهب جزء كبير من الطاقة التي تستخدمها ليس في الحوسبة، بل في الحفاظ على الآلات من ارتفاع درجة حرارتها. وفي المناخات الحارة والجافة، تكون تحديات التبريد هذه شديدة الوطأة بشكل خاص، حيث تتطلب غالباً مبردات ومراوح ضخمة تستهلك طاقة تعادل طاقة الخوادم نفسها. لسنوات، حاول المهندسون إدارة هذا الاستهلاك من الطاقة باستخدام قواعد ثابتة، عبر ضبط درجات الحرارة وتدفق الهواء عند مستويات آمنة وساكنة. ومع ذلك، فإن هذه الإعدادات الجامدة غالباً ما تهدر الطاقة عبر التبريد المفرط للمعدات، حيث تعامل يوماً معتدلاً كأنه يوم شديد الحرارة. والسؤال الذي يواجه الصناعة هو ما إذا كان بإمكان الذكاء الاصطناعي أن يتعلم إدارة هذه الأنظمة المعقدة بشكل ديناميكي، عبر ضبط التبريد في الوقت الفعلي ليتناسب مع الطقس وحجم العمل دون المخاطرة بسلامة الأجهزة.
لقد تصدى باحث في جامعة أتلانتيك الدولية لهذا التحدي من خلال بناء محاكاة رقمية مفصلة لمركز بيانات بقدرة عشرة ميجاواط يقع في أبو ظبي، وهي منطقة معروفة بالحرارة الشديدة. تم تصميم هذه المنشأة الافتراضية لتعكس بيئة حقيقية، بما في ذلك خوادم تشغل مهام تدريب الذكاء الاصطناعي، وأنظمة تبريد معقدة، والقيود الخاصة بالمناخ الحار والجاف. طور الباحث نظام تحكم متطور يعمل كمدير شديد الانتباه؛ حيث يستخدم هذا النظام نوعاً من الذكاء الاصطناعي القادر على التعلم من التجربة، مقترناً بآلية سلامة تعمل كدرع رقمي. يتنبأ الذكاء الاصطناعي باستمرار بحجم العمل الذي ستحتاجه الخوادم في الساعات القادمة ويضبط إعدادات التبريد وفقاً لذلك. فهو يقرر متى يرفع درجة حرارة الهواء المورد للخوادم، ومتى يغير درجة حرارة المياه المبردة التي تدور عبر المبنى، وكمية الهواء التي يجب دفعها عبر المراوح. والأهم من ذلك، أنه قبل إجراء أي تغيير، يقوم النظام بتشغيل محاكاة سريعة للتأكد من أن الإعدادات الجديدة لن تسبب ارتفاع حرارة الخوادم. وإذا كان التغيير المقترح ينطوي على مخاطرة كبيرة، يقوم درع السلامة بحجبه، مما يسمح فقط بالإجراءات الآمنة بالوصد إلى المنشأة الافتراضية.
كما قدمت الدراسة طريقة لإدارة الحواسيب نفسها؛ فبدلاً من تشغيل جميع الخوادم بكامل طاقتها طوال الوقت، يتعلم النظام كيفية دمج أعباء العمل، عبر إيقاف تشغيل الآلات غير المستخدمة ونقل المهام المرنة إلى الأوقات التي يكون فيها الطقس أكثر برودة. هذا النهج يقلل من الحرارة المتولدة داخل المبنى، مما يقلل بدوره من الحاجة إلى التبريد الميكانيكي. وعندما اختبر الباحث هذا الإطار المتكامل مقابل نهج ثابت ومعياري على مدار عام كامل من الوقت المحاكى، كانت النتائج مذهلة. فقد خفض النظام المدفوع بالذكاء الاصطناعي إجمالي الطاقة المستهلكة من قبل المنشأة بنسبة 15.3 بالمائة. وبشكل أكثر تحديداً، انخفضت الطاقة المستخدمة للتبريد بنسبة 40.8 بالمائة، وانخفض الطلب الذروي على الشبكة الكهربائية بنسبة 14.1 بالمائة. حقق النظام هذه الوفورات مع إبقاء درجة حرارة الهواء الداخل إلى رفوف الخوادم ضمن الحدود الصناعية الآمنة، حيث ظلت أسوأ 1 بالمائة من الساعات تحت 27 درجة مئوية.
كما سلط البحث الضوء على مفهوم خاطئ شائع في كيفية قياس كفاءة مراكز البيانات. تعتمد الصناعة غالباً على مقياس يسمى "فعالية استخدام الطاقة"، والذي يقارن إجمالي طاقة المنشأة بالطاقة التي تستهلكها الحواسيب وحدها. ووجدت الدراسة أن هذا الرقم الواحد يمكن أن يكون مضللاً؛ فبسبب قيام نظام الذكاء الاصطناعي بتقليل الطاقة المستخدمة من قبل الحواسيب نفسها من خلال عملية الدمج، لم تتحسن نسبة إجمالي الطاقة إلى طاقة الحاسوب بنفس القدر الذي حققته وفورات الطاقة الإجمالية. وفي الواقع، أظهر النظام أن التركيز فقط على هذه النسبة يمكن أن يخفي المدى الحقيقي للوفورات التي حققها الذكاء الاصطناعي. وتقترح الدراسة أن الإبلاغ عن المبلغ المطلق للطاقة التي تم توفيرها هو وسيلة أكثر صدقاً لقياس التقدم.
إن التداعيات المالية لهذه النتائج كبيرة؛ فبناءً على المحاكاة، سيسترد النظام تكلفته في أقل من عامين من خلال توفير الطاقة وحده. وأشار الباحثون إلى أن الذكاء الاصطناعي تعلم استغلال جميع وفورات الطاقة النظرية الممكنة تقريباً في ظل الظروف المعطاة، حيث كان أداؤه يقارب أداء متحكم مثالي كلي المعرفة يمكنه رؤية المستقبل. كما أثبتت الدراسة أن النظام يتميز بالمتانة؛ فحتى عند اختباره ضد أنماط طقس مختلفة، حافظ على كفاءته. ورغم أن النتائج تأتي من محاكاة وليس من مبنى مادي، إلا أن النموذج بُني بدقة عالية تحاكي الفيزياء والقيود الواقعية. ويشير العمل إلى أنه من خلال الجمع بين التنبؤ الاستباقي، والتحكم الذكي في التبريد، والإدارة الذكية لأعباء العمل، يمكن لمراكز البيانات في المناخات الحارة تقليل بصمتها الطاقية بشكل جذري دون المساس بسلامة أو أداء التكنولوجيا التي تحتضنها.
ملخص تقني: تحليل الأداء لاستخدام الذكاء الاصطناعي لتقليل استهلاك الطاقة في مراكز البيانات
بيان المشكلة يتسارع الطلب على طاقة مراكز البيانات بسبب نشر تقنيات الذكاء الاصطناعي (AI)، حيث يمثل التبريد أكبر حمل غير متعلق بتكنولوجيا المعلومات (non-IT load)، لا سيما في المناخات الحارة والجافة مثل دولة الإمارات العربية المتحدة. وفي هذه المناطق، تؤدي درجات الحرارة المحيطة المرتفقة إلى زيادة "رفع الشيلر" (chiller lift)، والحد من استخدام المبردات الاقتصادية (economizers)، وتثبيط استخدام التبخير لتبديد الحرارة بسبب ندرة المياه. وبينما يعد مؤشر كفاءة استخدام الطاقة (PUE) مقياساً قياسياً، إلا أنه شهد ركوداً عالمياً عند حوالي 1.54، مع وجود فجوة كبيرة بين المنشآت المتوسطة والشركات العملاقة الرائدة. غالباً ما تعالج الأبحاث الحالية تحسين جانب تكنولوجيا المعلومات (إدارة أعباء العمل) وتحكم التبريد بشكل منفصل، وتفتقر إلى مقاييس معيارية متعددة النطاقات، ونادراً ما تتحقق من الأداء مقابل حدود الأمثلية الصريحة. علاوة على ذلك، هناك أدلة محدودة بشأن التحسين القائم على الذكاء الاصطناعي للمرافق التي تهيمن عليها وحدات معالجة الرسومات (GPUs) في البيئات الحارة والجافة حيث يندر استخدام الأنظمة الاقتصادية.
المنهجية تقترح الدراسة إطار عمل للتعلم التعزيزي العميق (DRL) آمن بخمس طبقات، يتم تطبيقه على نموذج مركز بيانات سحابي/ذكاء اصطناعي بقدرة 10 ميجاوات يقع في أبو ظبي. تم نمذجة النظام كتوأم رقمي (digital twin) بخطوات زمنية ساعية، يربط بين طاقة الخوادم/المسرعات، وفقدان وحدات التغذية الكهربائية غير المنقطعة (UPS)، وديناميكيات تدفق الهواء، وكفاءة الشيلر.
نمذجة النظام: يلتقط نموذج طاقة على مستوى المكونات المقايضات بين درجة حرارة هواء التزويد (Tsa)، ودرجة حرارة المياه المبردة (Tchw)، وتوفير تدفق الهواء (α)، وطاقة مروحة الخادم. ويتضمن نموذجاً حرارياً يأخذ في الاعتبار إعادة تدوير الهواء الساخن والبقع الساخنة الناتجة عن وحدات معالجة الرسومات (GPU)، مع الالتزام بحدود درجة حرارة المدخل وفق معايير ASHRAE (بحد أقصى 27 درجة مئوية).
إطار عمل الذكاء الاصطناعي:
الطبقة 1-2 (البيانات والتوأم الرقمي): الحصول على بيانات نظام إدارة المباني (BMS)، ونظام إدارة البنية التحتية لمركز البيانات (DCIM)، وبيانات الطقس؛ واستضافة التوأم الرقمي القائم على الفيزياء.
الطبقة 3 (التنبؤ): شبكة ذاكرة طويلة قصيرة المدى (LSTM) تتنبأ بحمل تكنولوجيا المعلومات والتحميل قبل 24 ساعة لتمكين التحكم الاستباقي.
الطبقة 4 (التحكم والتحسين):
وكيل التبريد: تستخدم شبكة (Double Deep Q-Network - DDQN) لتحديد نقاط الضبط المثلى لـ Tsa و Tchw و α. ومن الأهمية بمكان أن يعمل هذا الوكيل تحت درع سلامة التوأم الرقمي. قبل تنفيذ أي إجراء، يتنبأ التوأم الرقمي بدرجة حرارة مدخل الرف الناتجة؛ ويتم حجب الإجراءات التي تنتهك هوامش السلامة، مما يضمن عدم استكشاف الوكيل لحالات غير آمنة أثناء التدريب أو التشغيل.
محسن تكنولوجيا المعلومات: يقوم بدمج الخوادم (إدخال العقد الخاملة في وضع النوم) بناءً على التنبؤات، والترحيل الزمني للأعباء المرنة لتكون في ساعات أكثر برودة مع مراعاة الحرارة.
الطبقة 5 (التشغيل): كتابة نقاط الضبط في نظام إدارة المباني (BMS).
التقييم: تم تدريب إطار العمل على "عام أ" اصطناعي واختباره على "عام ب" مستقل. تمت مقارنة الأداء مع:
S0: خط الأساس الاستاتيكي القديم (18 درجة مئوية لـ Tsa، و7 درجات مئوية لـ Tchw).
S1: تحديث قائم على قواعد ثابتة (محسن وفق معايير ASHRAE).
S2: التحكم في التبريد بالذكاء الاصطناعي فقط.
S3: إطار العمل الكامل (التحكم في التبريد بالذكاء الاصطناعي + تحسين تكنولوجيا المعلومات).
الأوراكل (OC/O): متحكمات البحث الشامل بمعرفة مثالية، والتي تعمل كحدود عليا للوفورات الممكن تحقيقها.
المساهمات الرئيسية
إطار عمل متكامل: نموذج طاقة ساعي شفاف وإطار عمل ذكاء اصطناعي بخمس طبقات يحسن بشكل مشترك نقاط ضبط التبريد وإدارة أعباء عمل تكنولوجيا المعلومات، مما يعالج الفجوة في تحسين التبريد وتكنولوجيا المعلومات المترابطة.
التعلم التعزيزي الآمن: تنفيذ نظام DDQN "محمي" حيث يعمل التوأم الرقمي كمرشح سلامة، مما يقيد الوكيل بالإجراءات التي تم التحقق من سلامتها. يسمح هذا للنظام بالاقتراب من الحدود الحرارية دون انتهاك القيود، وهو مطلب حيوي للنشر الفعلي.
القياس المرجعي الصارم: تحليل سنوي كامل خارج العينة يقارن إطار عمل الذكاء الاصطناعي مع الخطوط الأساسية الثابتة، والاستراتيجيات القائمة على القواعد، وحدود الأوراكل الصريحة لقياس "فجوة الأمثلية" وحصة الوفورات الممكن تحقيقها.
نقد المقاييس: تقديم أدلة تثبت أن PUE يمكن أن يسيء تمثيل الوفورات الناتجة عن الذكاء الاصطناعي. وتحديداً، فإن دمج تكنولوجيا المعلومات يقلل من مقام طاقة تكنولوجيا المعلومات، مما قد يؤدي لتضخم PUE حتى لو انخفضت طاقة المنشأة الإجمالية، كما أن نقاط الضبط الأكثر دفئاً قد تنقل الطاقة إلى مراوح الخوادم (التي تُحسب ضمن حمل تكنولوجيا المعلومات)، مما يشوه PUE بشكل أكبر.
النتائج حقق إطار العمل الكامل (S3) النتائج التالية في عام الاختبار المستقل:
تقليل الطاقة: خفض طاقة المنشأة السنوية بنسبة 15.3% (13.85 جيجاوات ساعة) وطاقة التبريد بنسبة 40.8%.
الطلب في الذروة: خفض ذروة الطلب بنسبة 14.1%.
الكفاءة: تحسين PUE من 1.421 إلى 1.291.
الامتثال الحراري: حافظ على درجة حرارة مدخل الرف في المئوية الـ 99 عند 26.81 درجة مئوية (أقل من حد 27 درجة مئوية)، مع وجود 10 ساعات فقط من التجاوز الطفيف (0.11% من السنة)، وكلها تعزى إلى ضوضاء القياس.
الأمثلية: حقق إطار العمل 99.9% من الوفورات التي يمكن لمتحكمات الأوراكل تحقيقها، مما يشير إلى أن المتحكم المتعلم يكاد يكون مثالياً للنظام النموذجي.
الاقتصاديات: في ظل الافتراضات المذكورة (0.08 دولار أمريكي/كيلووات ساعة)، يوفر الحل توفيراً سنوياً قدره 1.11 مليون دولار أمريكي، مع فترة استرداد بسيطة تبلغ 1.7 سنة وصافي قيمة حالية (NPV) لمدة 5 سنوات تبلغ 2.12 مليون دولار أمريكي.
التفكيك: عُزيت الوفورات بنسبة 32% إلى تصحيح التبريد الزائد الثابت، و24% إلى التحكم التكيفي بالتعلم التعزيزي العميق، و44% إلى تحسين أعباء العمل (الدمج والترحيل).
الأهمية والادعاءات يزعم البحث أنه بالنسبة لمرافق الذكاء الاصطناعي في المناخات الحارة والجافة، يمكن لإطار عمل آمن ومدرك لأعباء العمل أن يحقق جميع وفورات الطاقة الممكنة نظرياً مع الحفاظ على سلامة حرارية صارمة. تسلط الدراسة الضوء على أن PUE وحده مقياس غير كافٍ لتقييم هذه الأنظمة، حيث يمكن أن يخفي تخفيضات طاقة تكنولوجيا المعلومات ويعاقب نقاط الضبط الحرارية الجريئة؛ لذا يجب الإبلاغ عن إجمالي طاقة المنشأة جنباً إلى جنب مع PUE.
يؤكد المؤلف أن جانب "الأمان" في التعلم التعزيزي العميق (عبر الدرع) أمر بالغ الأهمية للنشر، مما يسمح للنظام بالعمل بالقرب من الحدود الفيزيائية دون خطر الانتهاكات الحرارية التي واجهت الوكلاء غير المحميين في الاختبارات الأولية. تشير النتائج إلى أنه بينما تلتقط التحسينات القائمة على القواعد الثابتة (S1) جزءاً من الإمكانات، فإن الجمع بين التحكم التكيفي وتحسين جانب تكنولوجيا المعلومات (S3) يضاعف الوفورات الناتجة عن أفضل الممارسات الثابتة ثلاث مرات تقريباً. وتخلص الدراسة إلى أن العمل المستقبلي يجب أن يركز على التحقق من البيانات التشغيلية، والتوسع في أنظمة التبريد السائل، والتكامل مع إشارات الشبكة والكربون.