Performance Analysis for Leveraging AI to Reduce Energy Consumption of a Data Center: A Safe Deep Reinforcement Learning and Workload-Aware Framework
यह शोध पत्र एक सुरक्षित डीप रीइन्फोर्समेंट लर्निंग फ्रेमवर्क प्रस्तुत करता है जो वर्कलोड-अवेयर रणनीतियों और एक डिजिटल ट्विन मॉडल के साथ एकीकृत है, जो थर्मल सुरक्षा बाधाओं को बनाए रखते हुए अबू धाबी के एक 10 मेगावाट डेटा सेंटर की वार्षिक ऊर्जा खपत को 15.3% कम करता है और इसके पावर यूसेज एफिशिएंसी (PUE) को 1.421 से सुधारकर 1.291 कर देता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक दुनिया डेटा केंद्रों पर चलती है, जो कंप्यूटरों के विशाल गोदाम हैं जो ऑनलाइन बैंकिंग से लेकर दैनिक जीवन को नया रूप देने वाली आर्टिफिशियल इंटेलिजेंस प्रणालियों तक सब कुछ संचालित करते हैं। ये सुविधाएं अविश्वसनीय रूप से शक्तिशाली हैं, लेकिन वे बिजली की भी बहुत अधिक खपत करती हैं। उनके द्वारा उपयोग की जाने वाली ऊर्जा का एक बड़ा हिस्सा कंप्यूटिंग में नहीं जाता है; इसके बजाय, यह मशीनों को अत्यधिक गर्म होने से बचाने में खर्च होता है। गर्म और शुष्क जलवायु में, यह कूलिंग चुनौती विशेष रूप रूप से गंभीर होती है, जिसके लिए अक्सर विशाल चिलर्स और पंखों की आवश्यकता होती है जो सर्वरों के समान ही शक्ति की खपत करते हैं। वर्षों से, इंजीनियरों ने इन निश्चित नियमों के साथ इस ऊर्जा उपयोग को प्रबंधित करने का प्रयास किया है, तापमान और वायु प्रवाह को सुरक्षित, स्थिर स्तरों पर सेट किया है। हालांकि, ये कठोर सेटिंग्स अक्सर उपकरणों को अत्यधिक ठंडा करके ऊर्जा बर्बाद करती हैं, जैसे कि वे एक सामान्य दिन और एक भीषण गर्मी वाले दिन के बीच अंतर न कर पा रही हों। उद्योग के सामने सवाल यह है कि क्या आर्टिफिशियल इंटेलिजेंस इन जटिल प्रणालियों को गतिशील रूप से प्रबंधित करना सीख सकता है, यानी हार्डवेयर की सुरक्षा को जोखिम में डाले बिना मौसम और वर्कलोड के अनुरूप वास्तविक समय में कूलिंग को समायोजित कर सकता है।
अटलांटिक इंटरनेशनल यूनिवर्सिटी के एक शोधकर्ता ने एक दस-मेगावाट के डेटा सेंटर का विस्तृत डिजिटल सिमुलेशन बनाकर इस चुनौती का समाधान किया, जो अबू धाबी में स्थित है, जो अत्यधिक गर्मी के लिए जाना जाता है। इस आभासी सुविधा को एक वास्तविक दुनिया के वातावरण को दर्शाने के लिए डिज़ाइन किया गया था, जिसमें एआई ट्रेनिंग जॉब्स चलाने वाले सर्वर, जटिल कूलिंग सिस्टम और गर्म, शुष्क जलवायु की विशिष्ट बाधाएं शामिल थीं। शोधकर्ता ने एक परिष्कृत नियंत्रण प्रणाली विकसित की जो एक अत्यंत चौकस प्रबंधक की तरह कार्य करती है। यह प्रणाली एक प्रकार की आर्टिफिशियल इंटेलिजेंस का उपयोग करती है जो अनुभव से सीख सकती है, जिसे एक सुरक्षा तंत्र के साथ जोड़ा गया है जो एक डिजिटल ढाल के रूप में कार्य करता है। एआई लगातार भविष्यवाणी करता है कि आने वाले घंटों में सर्वरों को कितने काम की आवश्यकता होगी और उसी के अनुसार कूलिंग सेटिंग्स को समायोजित करता है। यह तय करता है कि सर्वरों को दी जाने वाली हवा का तापमान कब बढ़ाया जाए, इमारत के माध्यम से प्रसारित होने वाले ठंडे पानी का तापमान कब बदला जाए, और पंखों के माध्यम से कितनी हवा भेजी जाए। महत्वपूर्ण रूप से, कोई भी परिवर्तन करने से पहले, सिस्टम एक त्वरित सिमुलेशन चलाता है ताकि यह सुनिश्चित हो सके कि नई सेटिंग्स से सर्वर ओवरहीट न हों। यदि कोई प्रस्तावित परिवर्तन बहुत जोखिम भरा है, तो सुरक्षा ढाल उसे रोक देती है, जिससे केवल सुरक्षित क्रियाएं ही आभासी प्लांट तक पहुँच पाती हैं।
इस अध्ययन ने कंप्यूटरों को स्वयं प्रबंधित करने का एक तरीका भी पेश किया। सभी सर्वरों को हर समय पूरी क्षमता पर चलाने के बजाय, सिस्टम वर्कलोड को समेकित करना सीखता है, निष्क्रिय मशीनों को बंद करता है और लचीले कार्यों को उन समयों में स्थानांतरित करता है जब मौसम ठंडा होता है। यह दृष्टिकोण इमारत के भीतर उत्पन्न होने वाली गर्मी को कम करता है, जिससे मैकेनिकल कूलिंग की आवश्यकता भी कम हो जाती है। जब शोधकर्ता ने एक पूर्ण वर्ष के सिम्युलेटेड समय में इस पूर्ण ढांचे का परीक्षण एक मानक, स्थिर दृष्टिकोण के विरुद्ध किया, तो परिणाम चौंकाने वाले थे। एआई-संचालित प्रणाली ने सुविधा द्वारा खपत की जाने वाली कुल ऊर्जा को 15.3 प्रतिशत कम कर दिया। अधिक विशेष रूप से, कूलिंग के लिए उपयोग की जाने वाली ऊर्जा में 40.8 प्रतिशत की गिरावट आई, और इलेक्ट्रिकल ग्रिड पर पीक डिमांड 14.1 प्रतिशत कम हो गई। सिस्टम ने उद्योग की सीमाओं के भीतर सर्वर रैक में प्रवेश करने वाली हवा के तापमान को सुरक्षित रखते हुए ये बचत हासिल की, जिसमें सबसे गर्म 1 प्रतिशत घंटों का तापमान 27 डिग्री सेल्सियस से नीचे रहा।
शोध ने डेटा सेंटर की दक्षता को मापने के तरीके में एक सामान्य गलत धारणा पर भी प्रकाश डाला। उद्योग अक्सर 'पावर यूसेज इफेक्टिवनेस' (PUE) नामक एक मीट्रिक पर निर्भर करता है, जो कुल सुविधा ऊर्जा की तुलना केवल कंप्यूटरों द्वारा उपयोग की जाने वाली ऊर्जा से करता है। अध्ययन में पाया गया कि यह एकल संख्या भ्रामक हो सकती है। चूंकि एआई सिस्टम ने समेकन के माध्यम से कंप्यूटरों द्वारा उपयोग की जाने वाली ऊर्जा को भी कम कर दिया, इसलिए कंप्यूटर ऊर्जा के अनुपात में कुल ऊर्जा बचत जितनी नाटकीय रूप से सुधार नहीं हुआ। वास्तव में, सिस्टम ने दिखाया कि केवल इस अनुपात पर ध्यान केंद्रित करने से आर्टिफिशियल इंटेलिजेंस द्वारा प्राप्त वास्तविक बचत छिपी रह सकती है। अध्ययन सुझाव देता है कि ऊर्जा की बचाई गई पूर्ण मात्रा की रिपोर्ट करना प्रगति को मापने का अधिक ईमानदार तरीका है।
इन निष्कर्षों के वित्तीय निहितार्थ महत्वपूर्ण हैं। सिमुलेशन के आधार पर, सिस्टम ऊर्जा बचत के माध्यम से दो साल से भी कम समय में अपनी लागत वसूल लेगा। शोधकर्ताओं ने नोट किया कि एआई ने सैद्धांतिक रूप से संभव लगभग सभी ऊर्जा बचतों को कैप्चर करना सीख लिया, जो एक आदर्श, सर्वज्ञ नियंत्रक के लगभग समान प्रदर्शन करता है जो भविष्य देख सकता है। अध्ययन ने यह भी प्रदर्शित किया कि सिस्टम मजबूत है; विभिन्न मौसम पैटर्न के विरुद्ध परीक्षण किए जाने पर भी इसने अपनी दक्षता बनाए रखी। हालांकि परिणाम एक भौतिक इमारत के बजाय एक सिमुलेशन से आए हैं, लेकिन मॉडल को वास्तविक दुनिया के भौतिकी और बाधाओं के उच्च निष्ठा (high fidelity) के साथ बनाया गया था। यह कार्य सुझाव देता है कि भविष्य कहनेवाला पूर्वानुमान (predictive forecasting), बुद्धिमान कूलिंग नियंत्रण और स्मार्ट वर्कलोड प्रबंधन को जोड़कर, गर्म जलवायु वाले डेटा सेंटर तकनीक की सुरक्षा या प्रदर्शन से समझौता किए बिना अपने ऊर्जा पदचिह्न (energy footprint) को काफी कम कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।