בינה מלאכותית המיושמת בקירור מרכזי נתונים מייצגת את אחת החידושים המשמעותיים ביותר באופטימיזציית אנרגיה תעשייתית.

‍

המערכת האוטונומית שפותחה על ידי גוגל דיפמיינד, הפועלת מאז 2018, הדגימה כיצד בינה מלאכותית יכולה לשנות את ניהול התרמי של תשתיות קריטיות, ולהשיג תוצאות קונקרטיות מבחינת יעילות תפעולית.

‍

חדשנות שמשנה את מרכזי הנתונים

‍

בעיית יעילות האנרגיה

מרכזי נתונים מודרניים הם צרכני אנרגיה עצומים, כאשר קירור מהווה כ-10% מסך צריכת החשמל, לדברי ג'ונתן קומי, מומחה עולמי ליעילות אנרגטית. כל חמש דקות, מערכת הבינה המלאכותית מבוססת הענן של גוגל מצלמת תמונת מצב של מערכת הקירור מאלפי חיישנים, ומנתחת את המורכבות התפעולית שמאתגרת שיטות בקרה מסורתיות.

‍

מערכת הקירור הבינה המלאכותית של גוגל משתמשת ברשתות עצביות עמוקות כדי לחזות את ההשפעה של שילובים שונים של פעולות על צריכת אנרגיה עתידית, תוך זיהוי אילו פעולות ימזערו את הצריכה תוך עמידה באילוצי בטיחות מחמירים . בינה מלאכותית של DeepMind מפחיתה את חשבון הקירור של מרכז הנתונים של גוגל ב-40% - גוגל DeepMind .

‍

תוצאות קונקרטיות ומדידות

התוצאות שהושגו באופטימיזציית הקירור הן משמעותיות: המערכת הצליחה להשיג באופן עקבי הפחתה של 40% באנרגיה המשמשת לקירור. בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכז הנתונים של גוגל ב-40% - Google DeepMind . עם זאת, בהתחשב בכך שקירור מהווה כ-10% מהצריכה הכוללת, זה מתורגם לחיסכון כולל של כ-4% באנרגיה במרכז הנתונים.

‍

על פי המאמר הטכני המקורי של ג'ים גאו , הרשת הנוירונים משיגה שגיאה מוחלטת ממוצעת של 0.004 וסטיית תקן של 0.005, שווה ערך לשגיאה של 0.4% עבור PUE של 1.1. בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכזי הנתונים של גוגל ב-40% - גוגל DeepMind .

‍

איפה זה עובד: מרכזי נתונים מאושרים

יישומים מאומתים

יישום מערכת הבינה המלאכותית אושר רשמית בשלושה מרכזי נתונים ספציפיים :

סינגפור : הפריסה המשמעותית הראשונה בשנת 2016, שבה מרכז הנתונים משתמש במים ממוחזרים לקירור. דף הבית - Google Data Centers הוכיח הפחתה של 40% באנרגיית הקירור.

‍

אימסהאפן, הולנד : מרכז הנתונים משתמש במים ברמה תעשייתית וצרך 232 מיליון גלונים של מים בשנת 2023. דף הבית – מרכזי נתונים של גוגל . מרקו אינמה, מנהל האתר של המתקן , מפקח על התפעול במתקן המתקדם הזה.

‍

קאונסיל בלאפס, איווה : MIT Technology Review הציג במיוחד את מרכז הנתונים של קאונסיל בלאפס במהלך דיון על מערכת הבינה המלאכותית של גוגל בענן, "מיקומי מרכזי נתונים: אזורים ואזורי זמינות - Dgtl Infra ". גוגל השקיעה 5 מיליארד דולר בשני הקמפוסים שלה בקאונסיל בלאפס, שצרכו 980.1 מיליון גלונים של מים בשנת 2023. סין מעצימה את פריחת הבינה המלאכותית עם מרכזי נתונים תת-ימיים | סיינטיפיק אמריקן .

‍

מערכת בקרה מבוססת ענן מבוססת בינה מלאכותית פועלת כעת ומספקת חיסכון באנרגיה במספר מרכזי נתונים של גוגל, אך החברה לא פרסמה רשימה מלאה של מתקנים המשתמשים בטכנולוגיה.

‍

ארכיטקטורה טכנית: איך זה עובד

רשתות עצביות עמוקות ולמידת מכונה

‍

על פי הפטנט US20180204116A1 , המערכת משתמשת בארכיטקטורת למידה עמוקה עם מאפיינים טכניים מדויקים:

• 5 שכבות נסתרות עם 50 צמתים בכל שכבה
• 19 משתני קלט מנורמלים כולל עומסי חום, תנאי מזג אוויר, מצב ציוד
• 184,435 דגימות אימון ברזולוציה של 5 דקות (כשנתיים של נתונים תפעוליים)
• פרמטר רגולריזציה : 0.001 כדי למנוע התאמת יתר

הארכיטקטורה משתמשת בבקרת מודלים ניבוייים עם מודלים ליניאריים של ARX המשולבים ברשתות עצביות עמוקות. רשתות עצביות אינן דורשות מהמשתמש להגדיר מראש אינטראקציות בין משתנים במודל. במקום זאת, הרשת העצבית מחפשת דפוסים ואינטראקציות בין תכונות כדי ליצור באופן אוטומטי מודל אופטימלי . בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכזי הנתונים של גוגל ב-40% - Google DeepMind .

‍

יעילות צריכת החשמל (PUE): המדד המרכזי

PUE מייצג את יעילות האנרגיה הבסיסית של מרכזי נתונים:

PUE = סך אנרגיה למרכז נתונים / אנרגיה לציוד IT

• PUE כלל-ציית הרכב של גוגל : 1.09 בשנת 2024 (על פי דוחות סביבתיים של גוגל)
• ממוצע בתעשייה : 1.56-1.58
• PUE אידיאלי : 1.0 (תיאורטית בלתי אפשרי)

גוגל מוסמכת לתקן ISO 50001 לניהול אנרגיה, מה שמבטיח סטנדרטים תפעוליים מחמירים אך אינו מאמת באופן ספציפי את ביצועי מערכת הבינה המלאכותית.

‍

בקרה חזויה של מודל (MPC)

בלב החידוש עומדת בקרה חיזויה שחוזה את הטמפרטורה והלחץ העתידיים של מרכז הנתונים בשעה הקרובה, תוך סימולציה של פעולות מומלצות כדי להבטיח שלא ייחרגו ממגבלות התפעול . בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכז הנתונים של גוגל ב-40% - גוגל DeepMind .

‍

‍

יתרונות תפעוליים של בינה מלאכותית בקירור

דיוק ניבוי מעולה

לאחר ניסוי וטעייה, המודלים מדויקים כעת ב-99.6% בחיזוי PUE. יישומי למידת מכונה לאופטימיזציה של מרכזי נתונים מאפשרים אופטימיזציות שאינן אפשריות בשיטות מסורתיות, ובמקביל לנהל את האינטראקציות הלא ליניאריות המורכבות בין מערכות מכניות, חשמליות וסביבתיות.

‍

למידה והסתגלות מתמשכות

היבט משמעותי הוא היכולת ללמוד באופן אבולוציוני . במהלך תשעה חודשים, ביצועי המערכת גדלו משיפור של 12% בהשקה הראשונית לשיפור של כ-30% . אופטימיזציה של מרכזי נתונים ג'ים גאו, גוגל - DocsLib .

דן פואנפינגר, מפעיל גוגל, ציין: "זה היה מדהים לראות את הבינה המלאכותית לומדת לנצל את תנאי החורף ולייצר מים קרים מהרגיל. הכללים לא משתפרים עם הזמן, אבל הבינה המלאכותית כן." קירור מרכזי נתונים באמצעות בקרה ניבויית מודלים .

‍

אופטימיזציה רב-משתנית

המערכת מנהלת בו זמנית 19 פרמטרים תפעוליים קריטיים :

• עומס כולל של שרתים ורשתות IT
• תנאי מזג אוויר (טמפרטורה, לחות, אנתלפיה)
• מצב הציוד (צ'ילרים, מגדלי קירור, משאבות)
• בקרות נקודת הגדרה ותפעול
• מהירויות מאוורר ומערכות VFD

אבטחה ובקרה: הגנה מפני כשל מובטחת

אימות רב-שלבי

בטיחות תפעולית מובטחת באמצעות מנגנונים יתירים . הפעולות האופטימליות המחושבות על ידי הבינה המלאכותית מאומתות מול רשימה פנימית של אילוצי בטיחות המוגדרים על ידי המפעילים. לאחר שליחתן למרכז הנתונים הפיזי, מערכת הבקרה המקומית מאמתת מחדש את ההוראות. הבינה המלאכותית של DeepMind מפחיתה את האנרגיה המשמשת לקירור מרכזי הנתונים של גוגל ב-40% .

‍

מפעילים תמיד נשארים בשליטה ויכולים לצאת ממצב בינה מלאכותית בכל עת, ולעבור בצורה חלקה לכללים המסורתיים . בינה מלאכותית של DeepMind מפחיתה את צריכת האנרגיה המשמשת לקירור מרכזי הנתונים של גוגל ב-40% .

‍

מגבלות ושיקולים מתודולוגיים

‍

מדד PUE ומגבלותיו

התעשייה מכירה במגבלות של יעילות צריכת החשמל כמדד. סקר של מכון Uptime משנת 2014 מצא כי 75% מהמשתתפים האמינו שהתעשייה זקוקה למדד יעילות חדש. הבעיות כוללות הטיה אקלימית (אי אפשר להשוות בין אקלים שונים), מניפולציה בזמן (מדידות בתנאים אופטימליים) והדרת רכיבים.

‍

מורכבות היישום

לכל מרכז נתונים יש ארכיטקטורה וסביבה ייחודיות. מודל המותאם אישית למערכת אחת לא בהכרח ישים למערכת אחרת, מה שידרוש מסגרת בינה כללית. בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכזי הנתונים של גוגל ב-40% - Google DeepMind .

‍

איכות נתונים ואימותים

דיוק המודל תלוי באיכות ובכמות נתוני הקלט . שגיאת המודל בדרך כלל עולה עבור ערכי PUE מעל 1.14 עקב מחסור בנתוני אימון תואמים . בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכזי הנתונים של גוגל ב-40% - גוגל DeepMind .

לא נמצאו אימותים עצמאיים של חברות ביקורת גדולות או מעבדות לאומיות, כאשר גוגל "לא מבצעת אימות של צד שלישי" מעבר לדרישות הפדרליות המינימליות.

‍

‍

העתיד: אבולוציה לקראת קירור נוזלי

מעבר טכנולוגי

בשנים 2024-2025, גוגל העבירה את הדגש באופן דרמטי לכיוון:

• מערכות חשמל של +/-400 וולט DC עבור מדפי 1 מגה-וואט
• יחידות חלוקת קירור "פרויקט דשוטס"
• קירור נוזלי ישיר עבור TPU v5p עם "זמן פעולה של 99.999%"

שינוי זה מצביע על כך שאופטימיזציה של בינה מלאכותית הגיעה לגבולות המעשיים עבור עומסים תרמיים של יישומי בינה מלאכותית מודרניים .

מגמות מתפתחות

• שילוב מחשוב קצה : בינה מלאכותית מבוזרת להפחתת זמן השהייה
• תאומים דיגיטליים : תאומים דיגיטליים לסימולציה מתקדמת
• מיקוד קיימות : אופטימיזציה לאנרגיה מתחדשת
• קירור היברידי : שילוב נוזל/אוויר המותאם לבינה מלאכותית

יישומים והזדמנויות לעסקים

מגזרי יישומים

אופטימיזציה של בינה מלאכותית לקירור כוללת יישומים נרחבים מעבר למרכזי נתונים:

• מפעלים תעשייתיים : אופטימיזציה של מערכות HVAC בייצור
• מרכזי קניות : ניהול מיזוג אוויר חכם
• בתי חולים : בקרת סביבה בחדרי ניתוח ובאזורים קריטיים
• משרדי חברה : ניהול בניינים חכמים ומתקנים

החזר השקעה (ROI) ותועלות כלכליות

חיסכון באנרגיה במערכות קירור מתבטא ב:

• הפחתת עלויות התפעול של תת-מערכת הקירור
• שיפור הקיימות הסביבתית
• הארכת תוחלת החיים של הציוד
• אמינות תפעולית גבוהה יותר

יישום אסטרטגי עבור חברות

מפת דרכים לאימוץ

שלב 1 - הערכה : ביקורת אנרגיה ומיפוי של מערכות קיימות שלב 2 - פיילוט : בדיקה בסביבה מבוקרת על מקטע מוגבל שלב 3 - פריסה : פריסה הדרגתית עם ניטור אינטנסיבי שלב 4 - אופטימיזציה : כוונון מתמשך והרחבת קיבולת

שיקולים טכניים

• תשתית חיישנים : רשת ניטור מלאה
• כישורי צוות : מדעי נתונים, ניהול מתקנים, אבטחת סייבר
• אינטגרציה : תאימות עם מערכות מדור קודם
• תאימות : תקנות בטיחות וסביבה

שאלות נפוצות - שאלות נפוצות

‍

1. באילו מרכזי נתונים של גוגל פועלת בפועל מערכת הבינה המלאכותית?

שלושה מרכזי נתונים אושרו רשמית: סינגפור (פריסה ראשונה 2016), אימסהייבן בהולנד וקאונסיל בלאפס באיווה. המערכת פועלת במספר מרכזי נתונים של Google Smart Liquid Cooling: מנצח את גוגל ביעילות | ProphetStor , אך הרשימה המלאה מעולם לא נחשפה לציבור.

‍

2. כמה חיסכון באנרגיה זה באמת מייצר על סך הצריכה?

המערכת משיגה הפחתה של 40% באנרגיה המשמשת לקירור. בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכז הנתונים של גוגל ב-40% - Google DeepMind . בהתחשב בכך שהקירור מהווה כ-10% מהצריכה הכוללת, החיסכון הכולל באנרגיה הוא כ-4% מהצריכה הכוללת של מרכז הנתונים.

‍

3. עד כמה המערכת מדויקת בחיזוי?

המערכת משיגה דיוק של 99.6% בחיזוי PUE עם שגיאה מוחלטת ממוצעת של 0.004 ± 0.005, שווה ערך לשגיאה של 0.4% עבור PUE של 1.1. Google DeepMind Google Research . אם ה-PUE בפועל הוא 1.1, הבינה המלאכותית צופה בין 1.096 ל-1.104.

‍

4. כיצד אתם מבטיחים בטיחות תפעולית?

היא משתמשת באימות דו-שלבי: ראשית, הבינה המלאכותית בודקת את אילוצי הבטיחות שהוגדרו על ידי המפעילים, לאחר מכן המערכת המקומית מאמתת מחדש את ההוראות. מפעילים יכולים תמיד להשבית את בדיקת הבינה המלאכותית ולחזור למערכות מסורתיות. הבינה המלאכותית של DeepMind מפחיתה את צריכת האנרגיה המשמשת לקירור מרכזי הנתונים של גוגל ב-40% .

‍

5. כמה זמן לוקח ליישם מערכת כזו?

הטמעה אורכת בדרך כלל 6-18 חודשים: 3-6 חודשים לאיסוף נתונים ואימון מודלים, 2-4 חודשים לבדיקות פיילוט, ו-3-8 חודשים לפריסה הדרגתית. המורכבות משתנה באופן משמעותי בהתאם לתשתית הקיימת.

‍

6. אילו כישורים טכניים נדרשים?

נדרש צוות רב-תחומי בעל מומחיות במדעי הנתונים/בינה מלאכותית, הנדסת מיזוג אוויר, ניהול מתקנים, אבטחת סייבר ואינטגרציה של מערכות. חברות רבות בוחרות בשותפויות עם ספקים מיוחדים.

‍

7. האם המערכת יכולה להסתגל לשינויים עונתיים?

כן, בינה מלאכותית לומדת אוטומטית לנצל תנאים עונתיים, כמו ייצור מים קרים יותר בחורף כדי להפחית את אנרגיית הקירור . קירור מרכזי נתונים באמצעות בקרה חזויה-מודל . המערכת משתפרת ללא הרף על ידי זיהוי דפוסים זמניים ואקלימיים.

‍

8. מדוע גוגל לא ממסחרת את הטכנולוגיה הזו?

לכל מרכז נתונים יש ארכיטקטורה וסביבה ייחודיות, הדורשות התאמה אישית משמעותית. בינה מלאכותית של DeepMind מפחיתה את חשבון קירור מרכזי הנתונים של גוגל ב-40% - Google DeepMind . מורכבות היישום, הצורך בנתונים ספציפיים והמומחיות הנדרשת מקשים על מסחור ישיר. לאחר 8 שנים, טכנולוגיה זו נותרה פנימית בלעדית של גוגל.

‍

9. האם ישנן ביקורות ביצועים בלתי תלויות?

לא נמצאו אימותים עצמאיים של חברות ביקורת גדולות (דלויט, PwC, KPMG) או מעבדות לאומיות. גוגל מוסמכת לתקן ISO 50001 אך "אינה מבצעת אימותים של צד שלישי" מעבר לדרישות הפדרליות המינימליות.

‍

10. האם זה ישים לתעשיות אחרות מלבד מרכזי נתונים?

בהחלט. אופטימיזציה של בינה מלאכותית לקירור ניתנת ליישום במפעלים תעשייתיים, מרכזי קניות, בתי חולים, משרדי תאגידים וכל מתקן עם מערכות HVAC מורכבות. עקרונות האופטימיזציה הרב-משתנית והבקרה החיזויה ניתנים ליישום באופן אוניברסלי.

‍

מערכת הקירור של גוגל DeepMind מבוססת בינה מלאכותית מייצגת פריצת דרך הנדסית המשיגה שיפורים הדרגתיים בתחום ספציפי. עבור חברות המפעילות תשתית עתירת אנרגיה, טכנולוגיה זו מציעה הזדמנויות קונקרטיות לאופטימיזציה של קירור, למרות מגבלות קנה המידה המפורטות לעיל.

‍

מקורות עיקריים: מאמר מחקר של ג'ים גאו בגוגל , הבלוג הרשמי של DeepMind , סקירת טכנולוגיה של MIT , פטנט US20180204116A1