Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

0

Meta 利用强化学习优化数据中心可持续性,减少能源消耗和用水量

Meta 正在利用强化学习(RL)来优化其数据中心的环境控制策略,从而减少能源消耗和用水量,并应对气候变化等更广泛的挑战。 这一举措表明了科技巨头们正在积极寻求利用人工智能技术来改善其运营的可持续性,并为全球可持续发展做出贡献。

Meta 的数据中心主要使用室外空气和蒸发冷却系统来保持温度和湿度,这种方法既节水又节能,但需要进一步优化以减少必须调节的空气量。强化学习正是解决这一问题的关键。

强化学习的应用:

Meta 的数据中心使用两层阁楼设计,吸入的空气 100% 来自室外。空气通过调节阻尼器进行调节,并在必要时与服务器排气的热量混合以平衡温度。经过过滤器和雾化室后,空气被冷却和加湿,然后通过风扇推入服务器机房。该系统还将热空气排出建筑物,以保持高效的空气循环。

为了优化气流,Meta 的工程师需要调整三个控制回路(温度、湿度和气流),以确保冷却系统高效运行。然而,考虑到所涉及的复杂性,气流设定点的建模尤其具有挑战性,因为它们受数据中心内局部条件的影响。

强化学习可以帮助解决这种复杂性,它会根据实时数据和环境条件动态调整气流。强化学习是数据中心冷却方案的理想选择,因为它将控制系统建模为一系列连续状态。RL 代理从环境中获取反馈,以争取奖励的形式获取宝贵的知识,特别是关于节能和节水的知识。

模拟器训练和试点项目成果:

为了确保可靠性,Meta 的工程师使用了一种基于模拟器的 RL方法。这种方法允许工程师在一个模拟环境中训练 RL 模型,该环境反映了真实的数据中心条件。通过结合历史数据和模拟数据,RL 模型可以被训练为能够处理各种条件,确保冷却系统即使在异常情况下也能保持高效。

这种离线方法降低了在实时环境中直接部署RL 模型的风险,例如导致热安全漏洞或服务中断。

RL 试点项目的结果令人鼓舞。通过控制送风流量设定点,工程师们设法保持稳定的温度条件,同时减少冷却所需的空气量。这意味着送风机可显著节省能源,并减少蒸发冷却期间的用水量。

未来发展方向:

Meta 正在应用相同的 RL 方法来优化其新数据中心的设计,这些数据中心是专门为支持人工智能负载而建设的。通过将 RL 集成到设计阶段,Meta 的工程师希望确保这些新数据中心从一开始就具有可持续性。

此外,他们正在现有的数据中心推广这种强化学习方法,以在未来几年内最大限度地节省能源和水资源。

其他科技巨头的相关举措:

谷歌和微软也在使用人工智能来改进他们的数据中心。DeepMind 节省了谷歌数据中心 40% 的冷却能源。微软推出了人工智能驱动的异常检测方法来监控和解决其数据中心内电力和水使用的异常情况。

结论:

使用强化学习进行数据中心冷却优化是 Meta 长期可持续发展战略的关键组成部分。通过利用人工智能提高数据中心的效率,他们正在采取有意义的措施减少对环境的影响,同时满足数字基础设施日益增长的需求。

Meta 的举措为其他科技公司树立了榜样,表明了人工智能在推动可持续发展方面的巨大潜力。随着人工智能技术的不断发展,我们可以期待看到更多类似的创新应用,为应对全球气候变化做出贡献。


>>> Read more <<<

Views: 0

0

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注