⚡ electrical engineering

Generative Design for Direct-to-Chip Liquid Cooling for Data Centers

Dit paper introduceert een generatief ontwerpkader dat gekoppeld is aan een fysisch thermisch model om geoptimaliseerde koelkanaalgeometrieën te synthetiseren voor de NVIDIA GB200-chip, wat resulteert in een aanzienlijke vermindering van zowel de gemiddelde als de maximale temperatuur ten opzichte van traditionele ontwerpen.

Oorspronkelijke auteurs: Zheng Liu

Gepubliceerd 2026-04-14

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zheng Liu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een moderne supercomputer hebt, zoals een enorme, razendsnelle denkmachine die kunstmatige intelligentie (AI) laat draaien. Deze machines worden steeds krachtiger, maar dat betekent ook dat ze extreem veel warmte produceren. Het is alsof je een honderd mensen in een kleine kamer zet die allemaal hard rennen; de kamer wordt snel ondraaglijk heet.

Als het te heet wordt, gaat de computer stuk of wordt hij traag. Vroeger probeerden we dit te koelen met enorme ventilatoren (lucht), maar dat werkt niet meer goed genoeg voor deze nieuwe generatie computers. De oplossing? Vloeibare koeling, waarbij we water (of een andere vloeistof) direct over de hete chips laten stromen.

Maar hier zit de twist: het water moet niet zomaar ergens naartoe stromen. De warmte in deze computer zit niet gelijkmatig verspreid. Sommige onderdelen (de 'hersenen' van de AI) gloeien als een gloeiende kolen, terwijl andere delen koeler blijven.

Het probleem met de oude manier

Stel je voor dat je een oude, simpele regenpijp hebt die water rechtstreeks over een hete plaat giet. Als je water in het midden giet, wordt het midden koud, maar de randen blijven heet. Of als je water in rechte lijnen (zoals een wegennet met alleen rechte straten) laat stromen, kan het water niet snel genoeg naar de plekken gaan waar het het hardst nodig is. Dit noemen de onderzoekers de "basisontwerp" of baseline. Het werkt, maar het is niet slim.

De nieuwe, slimme oplossing: Generatief Ontwerp

De onderzoekers van de Universiteit van Michigan hebben een nieuwe manier bedacht om de kanalen voor het water te ontwerpen. Ze gebruiken geen menselijke tekenaar die probeert een mooi patroon te bedenken, maar een kunstmatige intelligentie die werkt als een biologisch proces.

Ze noemen dit "generatief ontwerp". Je kunt het vergelijken met het kweken van een plant of het laten groeien van een schimmel:

De Plant: De computer begint met een lege ruimte en laat een digitaal "weefsel" groeien.
De Zon en Water: In plaats van zon en water, gebruikt de computer een simpele wiskundige formule die reageert op de warmte. Waar het heet is, "groeit" het koelkanaal dikker en vertakt het zich meer, net zoals wortels zich naar vochtige grond in de grond sturen.
De Leercurve: De computer probeert een ontwerp, meet hoe heet het wordt, en past het ontwerp direct aan. Het is alsof je een knoop in een touw probeert op te lossen: je trekt hier, duwt daar, en het touw vormt vanzelf de beste knoop.

Wat gebeurde er in dit onderzoek?

Ze namen de nieuwste, superkrachtige computerchip van NVIDIA (de GB200) als proefkonijn.

De oude manier (rechte lijnen): Het water kwam binnen, maar kon niet snel genoeg naar de heetste plekken. De computer werd erg heet, met een piektemperatuur van 72°C. Dat is als een hete pannenkoek.
De nieuwe manier (de "plant"): De AI ontwierp een organisch, vertakt netwerk van kanalen. Het leek meer op de aderen in een blad of de wortels van een boom dan op een strak wegennet. Het water stroomde precies naar de plekken waar het het hardst nodig was.

Het resultaat

Het verschil was enorm:

De gemiddelde temperatuur daalde met 5 graden.
De hete plekken (de pieken) daalden met maar liefst 35 graden! De computer werd nu slechts 36°C, wat veel veiliger en efficiënter is.

Waarom is dit belangrijk?

Dit onderzoek laat zien dat we niet langer hoeven te vertrouwen op simpele, rechte lijnen voor onze koeling. Door slimme algoritmen te koppelen aan de fysica van warmte, kunnen we koelsystemen maken die zich aanpassen als een levend organisme.

Dit betekent dat we in de toekomst nog krachtigere AI-computers kunnen bouwen zonder dat ze smelten, en dat we minder energie hoeven te verbruiken om ze koud te houden. Het is een stap naar een groenere, koelere toekomst voor onze digitale wereld.

Technische Samenvatting: Generatief Ontwerp voor Directe Chip-koeling in Datacenters

Probleemstelling
De snelle groei van kunstmatige intelligentie (AI) en high-performance computing (HPC) leidt tot een explosieve toename van het vermogen en de warmtedichtheid in datacenters. Traditionele luchtgekoelde systemen bereiken hun limieten en kunnen de warmte niet meer efficiënt afvoeren zonder onpraktisch hoge ventilatorvermogens.
Hoewel directe vloeistofkoeling (direct-to-chip) een veelbelovende oplossing biedt, vertonen de huidige ontwerpen van koudeplaten (cold plates) vaak een heuristische, handmatige aanpak. Deze ontwerpen, zoals rechte of serpentine kanalen, zijn geoptimaliseerd voor uniforme warmteverdeling. Ze zijn echter inefficiënt voor moderne, heterogene chips (zoals de NVIDIA GB200 Grace Blackwell Superchip) waar de warmteproductie sterk ongelijkmatig verdeeld is. Dit leidt tot lokale hotspots en een suboptimale koelcapaciteit.

Methodologie
Het paper presenteert een nieuw generatief ontwerpkader dat vloeistofkanalen synthetiseert die specifiek zijn afgestemd op de ongelijkmatige warmteverdeling van de chip. De aanpak bestaat uit drie hoofdblokken:

Fysiek Model (Thermische Simulatie):
- Doelwit: De NVIDIA GB200 Grace Blackwell Superchip (2 GPUs van 1200W en 1 CPU van 300W).
- Benadering: Een 2D-stationair warmtegeleidingsmodel gebaseerd op de Finite Difference Method (FDM).
- Aannames: Door de dunne constructie van de koudeplaat zijn temperatuurgradiënten in de dikte verwaarloosbaar. Het model lost de warmtegeleidingsvergelijking op met een lokale warmteoverdrachtscoëfficiënt ( $h$ ) die wordt gemoduleerd door de kanaalmaskers.
- Randvoorwaarden: Adiabatische zijwanden en een inlaat/uitlaat aan de GPU- en CPU-kant respectievelijk om de koeling te prioriteren waar de thermische marge het kleinst is.
Generatief Ontwerp (Reaction-Diffusion):
- Kernalgoritme: Een beperkt reactie-diffusieproces gebaseerd op het Gray-Scott-model.
- Mechanisme: Twee scalaire velden ( $U$ en $V$ ) evolueren volgens partiële differentiaalvergelijkingen. Het veld $V$ fungeert als indicator voor de kanaalgeometrie.
- Thermische Feedback: Het proces is gesloten in een lus waarbij de thermische simulatie ruimtelijke feedback levert aan het diffusieproces. Dit zorgt ervoor dat het algoritme de kanaaltopologie aanpast om koelcapaciteit te herverdelen naar gebieden met hoge warmteproductie.
- Beperkingen: Harde geometrische beperkingen worden opgelegd om de inlaat, uitlaat en de voetafdrukken van de componenten (CPU/GPU) te garanderen. Na elke iteratie wordt het veld $V$ op deze specifieke locaties "vastgezet" (Dirichlet-randvoorwaarde).
Optimalisatiecyclus:
- Het systeem wisselt af tussen het genereren van kanaalpatronen en het evalueren van de thermische prestaties.
- Het doel is het minimaliseren van de piektemperatuur en het verbeteren van de temperatuuruniformiteit, binnen de beperkingen van drukverlies en fabricage.

Belangrijkste Bijdragen

Framework voor Generatief Ontwerp: Een nieuw kader dat generatieve algoritmen koppelt aan lichtgewicht, op fysica gebaseerde modellen voor thermisch management.
Aanpassing aan Heterogene Chips: De methode lost het probleem op van ongelijkmatige warmteverdeling door organische, niet-intuïtieve kanaalnetwerken te creëren die zich aanpassen aan de specifieke warmtekaart van de chip, in plaats van te vertrouwen op standaard geometrieën.
Gesloten Lus Simulatie: De integratie van thermische feedback in het reaction-diffusion proces zorgt voor een natuurlijke redistributie van koelvloeistof naar hotspots.

Resultaten
De prestaties van het generatief ontworpen systeem werden vergeleken met een baseline-ontwerp met evenwijdige (rechte) kanalen:

Piektemperatuur: De generatieve aanpak verlaagde de maximale temperatuur van 72,16°C (baseline) naar 36,32°C. Dit is een reductie van meer dan 35°C.
Gemiddelde Temperatuur: De gemiddelde temperatuur daalde van 32,38°C naar 26,74°C, een verbetering van ongeveer 5,6°C.
Thermische Uniformiteit: Het baseline-ontwerp leed aan thermische knelpunten omdat de koelvloeistof niet efficiënt kon herverdelen vanuit de smalle inlaat. Het generatieve ontwerp creëerde een organisch vertakkend netwerk dat de vloeistof efficiënter naar de hoogvermogencomponenten leidde, waardoor stromingsmaldistributie en temperatuurschommelingen werden onderdrukt.

Significantie
De studie demonstreert dat de koppeling van generatieve algoritmen met snelle fysieke modellen de prestaties van directe vloeistofkoeling voor datacenters aanzienlijk kan verbeteren. Dit is cruciaal voor de schaalbaarheid van AI-computing, omdat het:

De betrouwbaarheid verhoogt door thermische cycli en lokale temperatuurspieken te verminderen.
De energie-efficiëntie verbetert door minder afhankelijk te zijn van grote luchtstromen.
De weg vrijmaakt voor het koelen van toekomstige chips met extreem hoge en ongelijkmatige warmtebelastingen, wat bijdraagt aan duurzamere datacenters.