Штучний інтелект, застосований для охолодження центрів обробки даних, є однією з найбільш значущих інновацій у сфері промислової оптимізації енергоспоживання.

‍

Автономна система, розроблена Google DeepMind, яка працює з 2018 року, продемонструвала, як ШІ може трансформувати теплове управління критично важливими об'єктами інфраструктури, досягаючи конкретних результатів з точки зору операційної ефективності.

‍

Інноваційні центри обробки даних, що трансформуються

‍

Питання енергоефективності

За словами Джонатана Кумі, світового експерта з енергоефективності, сучасні центри обробки даних є величезними споживачами енергії, причому на охолодження припадає близько 10 відсотків від загального споживання електроенергії. Кожні п'ять хвилин хмарна система штучного інтелекту Google робить знімок системи охолодження з тисяч датчиків Перша система штучного інтелекту для автономного охолодження центрів обробки даних і промислового контролю - Google DeepMind, що аналізує складність роботи, яка не піддається традиційним методам управління.

‍

ШІ-система охолодження Google використовує глибокі нейронні мережі для прогнозування впливу різних комбінацій дій на майбутнє споживання енергії, визначаючи, які дії мінімізують споживання, одночасно відповідаючи надійним обмеженням безпеки DeepMind AI зменшує рахунок за охолодження центру обробки даних Google на 40% - Google DeepMind

‍

Конкретні та вимірювані результати

Результати, досягнуті в оптимізації охолодження, є значними: система змогла послідовно досягти 40% скорочення енергії, що використовується для охолодження ШІ DeepMind скорочує рахунки за охолодження центру обробки даних Google на 40% - Google DeepMind. Однак, враховуючи, що на охолодження припадає близько 10% загального споживання, це означає приблизно 4% загальної економії енергії в центрі обробки даних.

‍

Згідно з оригінальним технічним документом Джима Гао, нейронна мережа досягає середньої абсолютної похибки 0,004 і стандартного відхилення 0,005, що еквівалентно похибці 0,4% для PUE 1,1 ШІ DeepMind скорочує рахунок за охолодження центру обробки даних Google на 40% - Google DeepMind.

‍

Де це працює: підтверджено центри обробки даних

Перевірені реалізації

Впровадження системи штучного інтелекту було офіційно підтверджено в трьох конкретних центрах обробки даних:

Сінгапур: Перше значне розгортання в 2016 році, де центр обробки даних використовує регенеровану воду для охолодження Головна сторінка - Центри обробки даних Google і продемонстрував скорочення енергоспоживання на 40%.

‍

Емсхавен, Нідерланди: Центр обробки даних використовує промислову воду і спожив 232 мільйони галонів води у 2023 році Головна сторінка - Центри обробки даних Google. Марко Йнема, керівник об'єкту, контролює роботу цього передового центру.

‍

Council Bluffs, штат Айова: MIT Technology Review спеціально висвітлив центр обробки даних у Council Bluffs під час дискусії на тему " Розташування центрів обробки даних Google Cloud: регіони та зони доступності" - Dgtl Infra. Google інвестував 5 мільярдів доларів у два кампуси в Council Bluffs, які спожили 980,1 мільйона галонів води у 2023 році. Китай стимулює бум штучного інтелекту за допомогою підводних центрів обробки даних | Scientific American.

‍

Хмарна система управління штучним інтелектом вже працює і забезпечує економію енергії в декількох центрах обробки даних Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, але компанія не опублікувала повний список об'єктів, що використовують цю технологію.

‍

Технічна архітектура: як це працює

Глибокі нейронні мережі та машинне навчання

‍

Згідно з патентом US20180204116A1, система використовуєархітектуру глибокого навчання з точними технічними характеристиками:

• 5 прихованих шарів по 50 вузлів на шар
• 19 нормалізованих вхідних змінних, включаючи теплові навантаження, погодні умови, стан обладнання
• 184 435 навчальних вибірок з роздільною здатністю 5 хвилин (приблизно 2 роки оперативних даних)
• Параметр регуляризації: 0.001 для запобігання надмірному припасуванню

Архітектура використовує Model Predictive Control з лінійними ARX моделями, інтегрованими з глибокими нейронними мережами. Нейронні мережі не вимагають від користувача попереднього визначення взаємодій між змінними в моделі. Замість цього нейромережа шукає закономірності та взаємодії між функціями, щоб автоматично генерувати оптимальну модель ШІ DeepMind скорочує витрати на охолодження дата-центру Google на 40% - Google DeepMind.

‍

Ефективність використання енергії (PUE): Ключовий показник

PUE представляє фундаментальну енергоефективність центрів обробки даних:

PUE = загальна енергія центру обробки даних / енергія ІТ-обладнання

• PUE для всього флоту Google: 1,09 у 2024 році (за даними екологічних звітів Google)
• Середньогалузевий показник: 1,56-1,58
• Ідеальний PUE: 1.0 (теоретично неможливо)

Google має сертифікат ISO 50001 з енергоменеджменту, який гарантує суворі операційні стандарти, але не перевіряє ефективність роботи системи штучного інтелекту.

‍

Модель предиктивного управління (MPC)

В основі інновації лежить предиктивне управління, яке прогнозує майбутню температуру і тиск в центрі обробки даних на наступну годину, моделюючи рекомендовані дії, щоб не допустити перевищення експлуатаційних обмежень ШІ DeepMind скорочує рахунок за охолодження центру обробки даних Google на 40% - Google DeepMind

‍

‍

Експлуатаційні переваги штучного інтелекту в охолодженні

Висока точність прогнозування

Після спроб і помилок, моделі тепер з точністю 99,6 відсотка прогнозують PUE програми машинного навчання для оптимізації центрів обробки даних. Така точність уможливлює оптимізацію, неможливу за допомогою традиційних методів, одночасно враховуючи складні нелінійні взаємодії між механічними, електричними та екологічними системами.

‍

Безперервне навчання та адаптація

Одним із важливих аспектів є здатність до еволюційного навчання. За дев'ять місяців продуктивність системи зросла з 12-відсоткового покращення під час першого запуску до приблизно 30-відсоткового покращення Оптимізація центру обробки даних Джим Гао, Google - DocsLib.

Ден Фуенфінгер, оператор Google, зауважив: "Було дивовижно спостерігати, як ШІ вчиться використовувати переваги зимових умов і виробляти більш холодну воду, ніж зазвичай. Правила не вдосконалюються з часом, але ШІ вдосконалюється". Охолодження центру обробки даних з використанням модельно-прогнозованого керування.

‍

Оптимізація за багатьма параметрами

Система одночасно контролює 19 критичних робочих параметрів:

• Загальне ІТ-навантаження на сервери та мережу
• Погодні умови (температура, вологість, ентальпія)
• Стан обладнання (чиллери, градирні, насоси)
• Уставки та операційне керування
• Швидкість обертання вентилятора та системи ЧРП

Безпека та контроль: безвідмовність гарантована

Багаторівнева перевірка

Операційна безпека забезпечується за допомогою надлишкових механізмів. Оптимальні дії, розраховані штучним інтелектом, звіряються з внутрішнім списком обмежень безпеки, визначених оператором. Після відправки до фізичного дата-центру локальна система управління повторно перевіряє інструкції АІ DeepMind скорочує енергію, що використовується для охолодження дата-центрів Google, на 40 відсотків.

‍

Оператори завжди зберігають контроль і можуть вийти з режиму ШІ в будь-який момент, плавно перейшовши на традиційні правила ШІ DeepMind скорочує енергію, що використовується для охолодження дата-центрів Google, на 40%.

‍

Обмеження та методологічні міркування

‍

Показники та обмеження ПУЕ

Промисловість визнає обмеження ефективності використання електроенергії як показника. Опитування Інституту безвідмовної роботи 2014 року показало, що 75% респондентів вважають, що промисловість потребує нової метрики ефективності. Проблеми включають кліматичні упередження (неможливо порівнювати різні кліматичні умови), маніпуляції з часом (вимірювання під час оптимальних умов) та виключення компонентів.

‍

Складність реалізації

Кожен центр обробки даних має унікальну архітектуру та середовище. Індивідуальна модель для однієї системи може бути непридатною для іншої, що вимагає загальної інтелектуальної структури ШІ DeepMind скорочує витрати на охолодження дата-центру Google на 40% - Google DeepMind.

‍

Якість та верифікація даних

Точність моделі залежить від якості та кількості вхідних даних. Похибка моделі, як правило, зростає для значень PUE вище 1,14 через дефіцит відповідних навчальних даних ШІ DeepMind зменшує витрати на охолодження дата-центру Google на 40% - Google DeepMind.

Не було виявлено жодного незалежного аудиту, проведеного великими аудиторськими фірмами або національними лабораторіями, а компанія Google "не проводить сторонніх аудитів", що виходить за межі мінімальних федеральних вимог.

‍

‍

Майбутнє: еволюція до рідинного охолодження

Технологічний перехід

У 2024-2025 роках Google різко змістив акцент у бік:

• Системи живлення +/-400 В постійного струму для стійок 1 МВт
• Розподільчі блоки охолодження "Project Deschutes"
• Пряме рідинне охолодження для TPU v5p з часом безвідмовної роботи 99,999%.

Ця зміна вказує на те, що оптимізація ШІ досягла практичних меж для теплових навантажень сучасних додатків ШІ.

Нові тенденції

• Інтеграція периферійних обчислень: розподілений ШІ для зменшення затримок
• Цифрові двійники: цифрові двійники для вдосконаленого моделювання
• Фокус на сталий розвиток: оптимізація для відновлюваної енергетики
• Гібридне охолодження: оптимізована ШІ комбінація рідини та повітря

Програми та можливості для компаній

Галузі застосування

ШІ-оптимізація охолодження вийшла за межі центрів обробки даних:

• Промислові підприємства: оптимізація виробничих систем опалення, вентиляції та кондиціонування
• Торгові центри: інтелектуальне управління кліматом
• Лікарні: екологічний контроль операційних та критичних зон
• Корпоративні офіси: розумні будівлі та фасіліті менеджмент

Рентабельність інвестицій та економічні вигоди

Як наслідок - економія енергії на системах охолодження:

• Зменшення експлуатаційних витрат на підсистему охолодження
• Підвищення екологічної стійкості
• Продовження терміну служби обладнання
• Підвищена експлуатаційна надійність

Стратегічне впровадження для компаній

Дорожня карта усиновлення

Етап 1 - Оцінка: енергоаудит та картування існуючих системЕтап2 - Пілотний: тестування в контрольованому середовищі на обмеженій ділянціЕтап3 - Розгортання: поступове впровадження з інтенсивним моніторингомЕтап4 - Оптимізація: безперервне налаштування та розширення потужностей

Технічні міркування

• Інфраструктура датчиків: повна мережа моніторингу
• Командні навички: наука про дані, управління об'єктами, кібербезпека
• Інтеграція: сумісність із застарілими системами
• Відповідність: Правила безпеки та охорони навколишнього середовища

FAQ - поширені запитання

‍

1. У яких дата-центрах Google дійсно працює система штучного інтелекту?

Офіційно підтверджено три центри обробки даних: Сінгапур (перше розгортання 2016 року), Еемсхавен у Нідерландах і Council Bluffs в Айові. Система працює в декількох дата-центрах Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, але повний список ніколи не розголошувався.

‍

2. Скільки енергозбереження він реально дає від загального споживання?

Система досягає 40% скорочення енергії, що використовується для охолодження ШІ DeepMind зменшує витрати на охолодження дата-центру Google на 40% - Google DeepMind. Враховуючи, що на охолодження припадає близько 10% від загального споживання, загальна економія енергії становить близько 4% від загального споживання центру обробки даних.

‍

3. Наскільки точні прогнози системи?

Система досягає 99,6-відсоткової точності в прогнозуванні PUE із середньою абсолютною похибкою 0,004 ± 0,005, що еквівалентно похибці 0,4 відсотка для PUE 1,1 Google DeepMindGoogleResearch. Якщо реальне значення PUE становить 1,1, ШІ прогнозує від 1,096 до 1,104.

‍

4. Як ви забезпечуєте операційну безпеку?

Він використовує дворівневу перевірку: спочатку ШІ перевіряє обмеження безпеки, визначені операторами, а потім локальна система знову перевіряє інструкції. Оператори завжди можуть відключити перевірку ШІ і повернутися до традиційних систем ШІ DeepMind скорочує енергію, що використовується для охолодження дата-центрів Google, на 40%.

‍

5. Скільки часу потрібно для впровадження такої системи?

Впровадження зазвичай займає 6-18 місяців: 3-6 місяців на збір даних і навчання моделі, 2-4 місяці на пілотне тестування, 3-8 місяців на поетапне розгортання. Складність значно варіюється залежно від існуючої інфраструктури.

‍

6. Які технічні навички потрібні?

Потрібна мультидисциплінарна команда з досвідом роботи в галузі науки про дані / штучного інтелекту, інженерії ОВіК, управління об'єктами, кібербезпеки та системної інтеграції. Багато компаній обирають партнерство зі спеціалізованими постачальниками.

‍

7. Чи може система адаптуватися до сезонних змін?

Так, ШІ автоматично вчиться використовувати сезонні умови, наприклад, виробляти більш холодну воду взимку, щоб зменшити енергію на охолодження ЦОД за допомогою модельно-прогнозованого керування. Система постійно вдосконалюється, розпізнаючи час і кліматичні закономірності.

‍

8. Чому Google не комерціалізує цю технологію?

Кожен центр обробки даних має унікальну архітектуру та середовище, що вимагає значної кастомізації ШІ DeepMind скорочує витрати на охолодження дата-центру Google на 40% - Google DeepMind. Складність впровадження, потреба в специфічних даних і необхідна експертиза роблять прямий маркетинг складним. Через 8 років ця технологія залишається виключно внутрішньою розробкою Google.

‍

9. Чи існують незалежні оцінки ефективності?

Не було знайдено жодного незалежного аудиту великими аудиторськими фірмами (Deloitte, PwC, KPMG) або національними лабораторіями. Google має сертифікат ISO 50001, але "не проводить аудит третьою стороною" понад мінімальні федеральні вимоги.

‍

10. Чи застосовується це до інших секторів, окрім центрів обробки даних?

Безумовно. ШІ-оптимізація охолодження може застосовуватися на промислових підприємствах, у торгових центрах, лікарнях, корпоративних офісах і на будь-яких об'єктах зі складними системами опалення, вентиляції та кондиціонування. Принципи багатоваріантної оптимізації та предиктивного керування є універсальними.

‍

Система охолодження ШІ Google DeepMind являє собою інженерну інновацію, яка забезпечує поступове поліпшення в конкретній галузі. Для компаній, що експлуатують енергоємну інфраструктуру, ця технологія пропонує конкретні можливості для оптимізації охолодження, хоча і з певними обмеженнями, пов'язаними з масштабом.

‍

Основні джерела: Джим Гао (Jim Gao), Google Research paper, DeepMind Official Blog, MIT Technology Review, Патент US20180204116A1