Veri Merkezi Isıl Yönetimi için Hızlı 3B Vekil Modelleme

Özet

Bu makale (AAAI 2025, cilt 40, sayı 46, s. 39201-39210; arXiv:2511.11722), 3B görüntü vekil modellerini (U-Net varyantları, Swin UNETR ve 3B Fourier Neural Operator) eğitir. Modeller, voksellenmiş bir veri salonunu doğrudan kararlı hal 3B sıcaklık alanına eşler ve ağ (mesh) ya da sınır koşulu kurulumu gerektirmez. Girdi, BT gücünü (ısı kaynakları), CRAC/menfez debisini ve CRAC ayar noktası/fan hızını kodlayan kanallara sahip bir voksel tensörüdür; ızgara yaklaşık 15 cm çözünürlüktedir (metrede yaklaşık 6,6 voksel).

Eğitim verisi, yedi farklı oda konfigürasyonunda 6SigmaDCX ile üretilen yaklaşık 10.000 CFD çalışmasından oluşur; her çalışma 11 ila 35 dakika sürmüştür. Her kabin, dört HPE DL380 sunucudan oluşan üç bölüm olarak modellenmiş, bölüm kullanımı Latin hiperküp örneklemesiyle yüzde 25, 60 veya 90 alınmıştır. Vekil modeller yaklaşık 100 ms'de, CFD ise yaklaşık 35 dakikada sonuç verir; özet yaklaşık 20.000 kat hızlanma belirtir.

Tahmin hataları rack ve duvar kenarları gibi fiziksel sınırlarda yoğunlaşmıştır. Vekil model, iş yükü yerleşimi için bir genetik algoritmayla eşleştirilmiş ve rastgele iş yükü dağıtımına göre sıcak noktaları yüzde 7,70 azaltmıştır. Çalışma, kendi eğitim zarfı içinde geçerlidir; bu zarfın dışında veya nihai onay için tam CFD gerekir.

Öne çıkan noktalar

1. Girdi vokselleri üç özelliği kodlar: normalize edilmiş ısı kaynağı gücü, tek voksellik dilimlerde menfez ve CRAC debileri, CRAC ayar noktası/fan hızı; ızgara metrede yaklaşık 6,6 voksel (yaklaşık 15 cm) kullanır.
2. Yedi farklı konfigürasyonda 6SigmaDCX ile yaklaşık 10.000 CFD örneği üretilmiş; çalışmalar 11 ila 35 dakika sürmüştür.
3. Her kabin dört HPE DL380 sunucudan oluşan üç bölüm olarak modellenmiş; bölüm kullanımı Latin hiperküp örneklemesiyle yüzde 25, 60 veya 90 alınmıştır.
4. Vekil model çıkarımı yaklaşık 100 ms, CFD yaklaşık 35 dakika sürmüştür; özet yaklaşık 20.000 kat hızlanma belirtir.
5. Tahmin hataları rack ve duvar kenarları gibi fiziksel sınırlarda yoğunlaşmıştır.
6. Vekil modelle çalışan genetik algoritma, rastgele iş yükü dağıtımına göre sıcak noktaları yüzde 7,70 azaltmıştır.
7. Modeller U-Net varyantları, Swin UNETR ve 3B Fourier Neural Operator'dür; ağ veya sınır koşulu kurulumu gerekmez.

Tasarımda kullanımı

• Kendi CFD çalışmalarıyla eğitilmiş bir voksel vekil modeliyle hızlı önizleme ısıl modu sunun: girdiler bölüm bazında rack gücü, CRAH ayar noktaları, fan hızları ve menfez konumları; çıktı, yerleşim yinelemesi için bir saniyenin altında 3B giriş sıcaklığı haritasıdır.
• Sonuçlarda eğitim zarfını gösterin ve hatalar sınırlarda yoğunlaştığı için nihai onayda tam CFD'ye geri dönün.
• Eğitim kümeleri oluşturmak için projelerdeki parametrik CFD çalışmalarını saklayın.

Kimler okumalı

Veri merkezi ısıl tasarımında CFD alternatifleri ve hızlı yerleşim yinelemesi arayan mühendisler ile araştırmacılar.

Yayın bilgileri

Yazarlar

Soumyendu Sarkar; Antonio Guillen-Perez; Zachariah J Carmichael; Avisek Naug; Refik Mert Cam; Vineet Gundecha; Ashwin Ramesh Babu; Sahand Ghorbanpour; Ricardo Luna Gutierrez

Yayıncı

Proceedings of the AAAI Conference on Artificial Intelligence (Association for the Advancement of Artificial Intelligence (AAAI))

Yıl

2025

Belge numarası

arXiv:2511.11722

Cilt

40

Sayı

46

Sayfalar

39201-39210

Belge dili

İngilizce

Kaynak türü

Bilimsel yayın

Erişim

Ücretsiz okunur

DOI

10.1609/aaai.v40i46.41268

Lisans

arXiv dağıtım izni — yeniden kullanım koşulları hak sahibine bağlıdır

Künye