Fiziksel Yapay Zekâ ile Gelecekteki Veri Merkezi Operasyon ve Yönetiminin Dönüştürülmesi

Özet

Çalışma, yapay zekâ veri merkezlerinin işletme ve yönetiminde maliyeti düşürürken güvenilirliği korumanın yeni paradigmasını soruyor. 100 bin B200 GPU'lu bir veri merkezinin sermaye maliyeti 4,5-5 milyar ABD doları, yıllık elektrik işletme gideri 400 milyon dolara ulaşabiliyor; bu nedenle verimli çözümler aranıyor. Önerilen çerçeve GPU hızlandırmalı CFD ve ısı transferi motoru, fizik bilgili makine öğrenmesi motoru ve dijital ikiz katmanını birleştiriyor.

Vaka çalışması, yaklaşık 600 m²'lik, her birinde 3-8 sunucu bulunan toplam 60 raflı dört sıra, 6 ACU ve sıcak koridor kapamalı bir salon için 3B sıcaklık ve hız alanını tahmin eden bir nöral operatör vekil modeli (GNOT) eğitiyor. ACU besleme sıcaklığı (18-24 °C) ve sunucu gücü (1000-2000 W) Latin hiperküp örneklemesiyle değiştirilerek 500 CFD senaryosu üretildi; sabit yaklaşık 340 bin hücreli ağ, tek RTX 4090'da vaka başına yaklaşık 5 dk. Bölme eğitim/doğrulama/test için 400/50/50 idi.

Girdiler sunucu giriş/çıkış yüzü koordinatları, güç ve hava akışı ile ACU besleme yüzü, sıcaklık ve hava akışıdır. Salon soğuk koridor ve her sıcak koridor için alt modellere bölündü; sunucu düzeyi kütle ve enerji korunumu yumuşak ceza terimleri olarak eklendi. Salonun çoğunda mutlak sıcaklık hataları 2,5 °C içindeydi; CFD'ye karşı medyan mutlak hata 0,18 °C ve çıkarım gecikmesi yaklaşık 0,01 s. Yazarlar ince ağlı ayrıntılı oda CFD'sinin çalıştırma başına saatler sürebildiğini ve parametre uzayını taramak için binlerce örnek gerektiğini not ediyor.

Sınırlar: tüm vekiller gibi CFD çıktısına karşı kıyaslanıyor, ölçümlere karşı değil; metinde sunucu sayısı hem 317 hem 340 olarak veriliyor. Çalışma bir ön baskı ve perspektif niteliğinde: temel modeller, fizik bilgili eğitim, örnek verimli senaryo üretimi, kuantum hesaplama ve türevlenebilir simülasyon gibi gelecek yönelimler henüz kanıtlanmış değil.

Öne çıkan noktalar

1. Vaka salonu: yaklaşık 600 m², sunucu sayısı 3-8 olan dört sırada toplam 60 raf, 6 ACU ve sıcak koridor kapama; metin sunucu sayısını hem 317 hem 340 olarak veriyor.
2. 500 CFD senaryosu ACU besleme sıcaklığı (18-24 °C) ve sunucu gücünün (1000-2000 W) Latin hiperküp örneklemesiyle, sabit yaklaşık 340 bin hücreli ağda, tek RTX 4090'da vaka başına yaklaşık 5 dk ile üretildi; bölme 400/50/50.
3. Girdiler: sunucu giriş/çıkış yüzü koordinatları, güç ve hava akışı ile ACU besleme yüzü, sıcaklık ve hava akışı; salon soğuk koridor ve her sıcak koridor alt modellerine bölündü, sunucu düzeyi kütle ve enerji korunumu yumuşak ceza.
4. Salonun çoğunda mutlak sıcaklık hataları 2,5 °C içinde; CFD'ye karşı medyan mutlak hata 0,18 °C, çıkarım gecikmesi yaklaşık 0,01 s.
5. Yazarlar ince ağlı ayrıntılı oda CFD'sinin çalıştırma başına saatler sürebildiğini ve parametre uzayını kapsamak için binlerce örnek gerektiğini not ediyor.
6. 100 bin B200 GPU'lu bir veri merkezi kurma maliyeti 4,5-5 milyar ABD doları, yıllık elektrik gideri 400 milyon dolara ulaşabiliyor.

Tasarımda kullanımı

• Hızlı what-if analizi için CFD ile eğitilmiş vekil model (çıkarım yaklaşık 0,01 s) düşünün, ancak vekilin yalnızca eğitildiği CFD kadar doğru olduğunu ve ölçümle doğrulanmadığını belirtin.
• Vekil eğitimi için parametre aralığını (ör. ACU besleme 18-24 °C, sunucu gücü 1000-2000 W) ve yaklaşık 500 senaryo gibi örnek sayısını önceden tanımlayın.
• Salonu soğuk koridor ve sıcak koridor alt modellerine bölmeyi ve sunucu düzeyi kütle ve enerji korunumunu ceza terimi olarak eklemeyi doğruluk için değerlendirin.

Kimler okumalı

Veri salonu işletiminde CFD vekil modelleri ve dijital ikiz yaklaşımlarını değerlendiren araştırmacılar ve işletme mühendisleri.

Belgenin bölümleri

1. I. Giriş
2. II. Ön bilgiler (A. Veri merkezi fiziksel altyapısına genel bakış, B. Fiziksel yapay zekâ: temeller ve yapı taşları)
3. III. Otonom veri merkezi operasyonları için fiziksel yapay zekâ (A. Çerçeve tasarımı, B. Olası uygulamalar)
4. IV. Vaka çalışması: hızlı CFD/ısı transferi simülasyonu (A. Motivasyon, B. Problem ayarları, C. Model mimarisi, D. Değerlendirme sonuçları)
5. V. Gelecek yönelimler (A. Fiziksel yapay zekâ için temel modeller, B. Fizik bilgili eğitim ve uyarlama, C. Örnek verimli senaryo üretimi, D. Hızlandırılmış fiziksel simülasyon için kuantum hesaplama, E. Reçeteli analiz için türevlenebilir simülasyon)
6. VI. Sonuçlar

Belgeyi okuyun

Yayın bilgileri

Yazarlar

Zhiwei Cao; Minghao Li; Feng Lin; Jimin Jia; Yonggang Wen; Jianxiong Yin; Simon See

Yayıncı

arXiv preprint (Nanyang Technological University / NVIDIA AI Technology Center)

Yıl

2025

Belge numarası

arXiv:2504.04982

Belge dili

İngilizce

Kaynak türü

Bilimsel yayın

Erişim

Açık lisans — indirilebilir

DOI

10.48550/arXiv.2504.04982

Lisans

CC BY 4.0 — atıf vererek paylaşabilirsiniz

Lisans kanıtı

arxiv.org

Künye