Performance Analysis for Leveraging AI to Reduce Energy Consumption of a Data Center: A Safe Deep Reinforcement Learning and Workload-Aware Framework
本文提出了一种集成了负载感知策略与数字孪生模型的安全深度强化学习框架，该框架在保持热安全约束的同时，将阿布扎比一座 10 MW 数据中心的年能耗降低了 15.3%，并将其能源使用效率（PUE）从 1.421 提升至 1.291。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
现代世界运行在数据中心之上，这些庞大的计算机仓库为从在线银行到重塑日常生活的人工智能系统等一切事物提供动力。这些设施功能极其强大，但它们也是贪婪的电力消费者。它们消耗的大部分能量并非用于计算，而是用于防止机器过热。在炎热干燥的气候下，这种冷却挑战尤为严峻，通常需要消耗与服务器本身一样多电力的巨大冷水机组和风扇。多年来，工程师们一直试图通过固定规则来管理这些能源使用，将温度和气流设定在安全的静态水平。然而，这些僵化的设置往往会因为过度冷却设备而浪费能源，将温和的日子与酷热的日子一视同仁。业界面临的问题是，人工智能是否能够学会动态地管理这些复杂的系统，根据天气和工作负载实时调整冷却，而不危及硬件的安全。
大西洋国际大学的一位研究人员通过构建一个位于阿布扎比（一个以极端炎热著称的地区）的十兆瓦数据中心的详细数字模拟系统，着手解决了这一挑战。这个虚拟设施旨在镜像一个真实世界的环境，配备了运行人工智能训练任务的服务器、复杂的冷却系统以及炎热干旱气候的特定约束。研究人员开发了一个精密的控制系统，其作用类似于一位高度专注的管理者。该系统使用一种能够从经验中学习的人工智能，并结合了一个充当数字护盾的安全机制。该人工智能不断预测未来几小时内服务器需要完成的工作量，并据此调整冷却设置。它决定何时提高供应给服务器的空气温度，何时改变在建筑内循环的冷水温度，以及通过风扇推送多少空气。至关重要的是，在进行任何更改之前，系统都会运行一次快速模拟，以确保新的设置不会导致服务器过热。如果提议的更改风险过高，安全护盾就会将其拦截，只允许安全的动作到达虚拟工厂。
该研究还引入了一种管理计算机本身的方法。该系统不再让所有服务器始终全负荷运转，而是学习整合工作负载，关闭闲置机器，并将灵活的任务转移到天气较凉爽的时段。这种方法减少了建筑内部产生的热量，从而减少了对机械冷却的需求。当研究人员在全年的模拟时间内，将这一完整的框架与标准的静态方法进行对比测试时，结果令人瞩目。由人工智能驱动的系统将设施的总能耗降低了15.3%。具体而言，用于冷却的能量下降了40.8%，电力网的峰值需求下降了14.1%。该系统在保持进入服务器机架的空气温度处于行业安全限值内的同时实现了这些节省，其中最热的1%的小时温度仍保持在27摄氏度以下。
研究还强调了衡量数据中心效率时的一个常见误区。业界通常依赖于一个名为“电源使用效率”（PUE）的指标，该指标比较设施总能耗与计算机本身所用能量的比值。研究发现，这个单一的数字可能会产生误导。由于人工智能系统通过整合技术降低了计算机本身的能耗，因此总能量与计算机能量的比值并没有像总节能效果那样显著改善。事实上，该系统表明，仅仅关注这一比例可能会掩盖人工智能所实现的真实节能程度。研究建议，报告节省的绝对能量值是衡量进步的一种更诚实的方式。
这些发现带来的财务影响是巨大的。根据模拟结果，该系统仅通过节省的能源，在不到两年的时间内就能收回成本。研究人员指出，人工智能学会了捕捉给定条件下几乎所有理论上可能的能量节省，其表现几乎与一个能够预见未来的完美、全知控制器不相上下。研究还证明了该系统的稳健性；即使在针对不同天气模式进行测试时，它依然保持了高效。虽然结果来自模拟而非物理建筑，但该模型在物理特性和约束条件方面与现实世界保持了高度一致。这项工作表明，通过结合预测性预报、智能冷却控制和智能工作负载管理，炎热气候下的数据中心可以在不损害所容纳的技术安全性或性能的前提下，大幅减少其能源足迹。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。