- Estamos compartiendo más sobre el papel que juega el formación de refuerzo para ayudarnos a optimizar los controles ambientales de nuestros centros de datos.
- Nuestro enfoque basado en el formación de refuerzo nos ha ayudado a estrechar el consumo de energía y el uso de agua en diversas condiciones climáticas.
- Meta está renovando el diseño de su nuevo centro de datos para optimizarlo para la inteligencia sintético y la misma metodología se aplicará asimismo para futuras optimizaciones del centro de datos.
La eficiencia es uno de los componentes secreto del enfoque de Meta para Diseño, construcción y operación de centros de datos sosteniblesAdicionalmente de la carga de TI, la refrigeración es el principal consumidor de energía y agua en el entorno del centro de datos. Mejorar la eficiencia de la refrigeración ayuda a estrechar el consumo de energía y agua, así como las emisiones de gases de impresión invernadero (GEI), y asimismo ayuda a encarar uno de los mayores desafíos de todos: el cambio climático.
La mayoría de los centros de datos existentes de Meta utilizan música extranjero y sistemas de refrigeramiento por evaporación para surtir las condiciones ambientales internamente del rango de temperatura. Entre 65 °F y 85 °F (18 °C y 30 °C) y una humedad relativa entre 13 y 80%Como en el acondicionamiento de este música se consumen agua y energía, optimizar la cantidad de flujo de música de suministro que debe acondicionarse es una adhesión prioridad en términos de mejorar la eficiencia operativa.
Desde 2021, estamos Emplear la inteligencia sintético para optimizar la cantidad de suministro de flujo de música a los centros de datos con fines de refrigeraciónMediante el uso de formación de refuerzo basado en simuladores, hemos corto el consumo de energía del ventilador de suministro en una de las regiones piloto en un 20% y el uso de agua en un 4% en promedio en diversas condiciones climáticas.
Anteriormente, compartimos cómo un maniquí basado en la física El simulador térmico nos ayuda a optimizar los controles ambientales de nuestros centros de datosAhora, arrojaremos más luz sobre el papel del formación de refuerzo en la posibilidad. Como Meta está renovando el diseño de su nuevo centro de datos para optimizarlo para la inteligencia sintético, la misma metodología será aplicable asimismo para futuras optimizaciones del centro de datos con el fin de mejorar la eficiencia operativa.
En la contemporaneidad, los centros de datos de Meta adoptan un diseño de ático de dos niveles que utiliza el 100 % del música extranjero para la refrigeración. Como se muestra en la Figura 1, el música ingresa a las instalaciones a través de rejillas de ventilación en el «ático» del segundo carretera, con compuertas moduladoras que regulan el cuerpo de música extranjero. El música pasa a través de una sala de mezcla, donde el música extranjero, si está demasiado frío, se puede mezclar con el calor del escape del servidor cuando sea necesario para regular la temperatura.
El música pasa luego a través de una serie de filtros de música y una cámara de nebulización donde se utiliza el sistema de refrigeramiento y humidificación por evaporación (ECH) para controlar aún más la temperatura y la humedad. El música continúa a través de una horma de ventiladores que lo impulsa a través de aberturas en el carretera que sirven como un conducto de música que conduce al dominio de servidores en el primer carretera. El música caliente que sale del escape del servidor se contendrá en el pasillo caliente, a través de conductos de escape y, finalmente, se liberará fuera del edificio con la ayuda de ventiladores de alivio.
El agua se utiliza principalmente de dos formas: refrigeramiento por evaporación y humidificación. El sistema de refrigeramiento por evaporación convierte el agua en vapor para estrechar la temperatura cuando el música extranjero es demasiado caliente, mientras que el proceso de humidificación mantiene el nivel de humedad si el música es demasiado seco. Como resultado de este diseño, creemos que Los centros de datos de Meta se encuentran entre los más avanzados y eficientes en materia de energía y agua del mundo..
Para suministrar música internamente de la envolvente operativa definida, el ático se apoya en el sistema de trámite del edificio (BMS) para supervisar y controlar diferentes componentes del sistema mecánico. Este sistema realiza la tarea de capacitar el música de entrada desde el extranjero mediante la mezcla, la humidificación/deshumidificación, la refrigeración por evaporación o una combinación de estas operaciones.
Existen tres circuitos de control principales responsables de ajustar los puntos de ajuste del música de suministro: temperatura, humedad y flujo de música. El punto de ajuste del flujo de música se calcula generalmente en función de un pequeño conjunto de variables de entrada, como la carga de TI presente, la temperatura del pasillo frío y la presión diferencial entre el pasillo frío y el pasillo caliente. La razonamiento suele ser muy simple en una escalera rectilíneo, pero se vuelve muy difícil de modelar con precisión ya que estos títulos en diferentes ubicaciones del centro de datos están acoplados entre sí y dependen en gran medida de condiciones locales complejas. Sin bloqueo, la cantidad de flujo de música determinará en gran medida la energía utilizada por los conjuntos de ventiladores de suministro y el consumo de agua cuando se requiere refrigeración o humidificación. Por lo tanto, optimizar el punto de ajuste del flujo de música tendría el viejo impacto en lo que respecta a mejorar aún más la eficiencia de refrigeración, cubo el hecho de que el techo de temperatura y humedad del entorno activo es fijo.
El formación por refuerzo (RL) es bueno para modelar sistemas de control como máquinas de estados secuenciales. Funciona como un agente de software que determina qué batalla tomar en cada estado en función de un maniquí de transición (que conduce a un estado diferente) y recibe constantemente feedback del entorno en términos de premio. Al final, el agente aprende el mejor maniquí de política (normalmente parametrizado por una red neuronal profunda) para ganar la premio acumulada óptima. El control de refrigeración del centro de datos se puede modelar de forma natural bajo este pauta.
En cualquier momento, el estado de un centro de datos puede representarse mediante un conjunto de variables ambientales monitoreadas por muchos sensores diferentes para el música extranjero, el música de suministro, el pasillo frío y el pasillo caliente, por otra parte de la carga de TI (es aseverar, el consumo de energía de los servidores), etc. La batalla consiste en controlar los puntos de ajuste, por ejemplo, el punto de ajuste del flujo de música de suministro que determina la velocidad a la que funcionan los ventiladores de suministro para satisfacer la demanda. La política es la asignación de funciones desde el espacio de estado al espacio de batalla (es aseverar, determinar el punto de ajuste del flujo de música adecuado en función de las condiciones del estado presente). Ahora, la tarea consiste en exprimir los datos históricos que hemos recopilado de miles de sensores en nuestros centros de datos (aumentados con datos simulados de condiciones potenciales, pero aún no experimentadas) y entrenar un mejor maniquí de políticas que nos brinde una mejor premio en términos de eficiencia en el uso de energía o agua.
La idea de utilizar IA para optimizar la refrigeración del centro de datos No es nuevo. Igualmente se han informado varios enfoques de RL como, Transformando la optimización de la refrigeración mediante el formación de refuerzo profundo y Refrigeración de centros de datos mediante control predictivo de modelos.
Sin bloqueo, la aplicación de la política de control determinada por un maniquí de RL en diámetro puede suscitar diversos riesgos, incluidos incumplimientos de los requisitos del servicio e incluso inseguridad térmica. Para encarar este desafío, adoptamos un enfoque de RL basado en un simulador fuera de diámetro. Como se ilustra en la Figura 2, nuestro agente de RL opera en un entorno simulado a partir de observaciones históricas de la vida auténtico. SLuego explora el espacio de batalla y lo introduce en el simulador para predecir el nuevo estado anticipado. S’ y premio, R, Dada cada batalla muestreada, A. De ahí recoge los pares (S, A) que tienen la mejor premio para formar un nuevo conjunto de datos de entrenamiento para renovar el maniquí de política parametrizado.
Nuestro simulador es un Maniquí basado en la física del uso de energía en los edificios que toma como entradas series temporales como datos meteorológicos, carga de TI y horarios de consigna. El maniquí se construye con parámetros de construcción del centro de datos, que incluyen geometría, materiales de construcción, HVAC, configuraciones del sistema, eficiencias de los componentes y estrategias de control. Utiliza ecuaciones diferenciales para suscitar la respuesta dinámica del sistema, como la carga térmica y el uso de energía resultante, contiguo con métricas relacionadas como la temperatura del pasillo frío y los perfiles de presión diferencial.
El simulador juega un papel muy importante aquí ya que nuestro objetivo es optimizar el uso de energía y agua, manteniendo al mismo tiempo las condiciones del centro de datos internamente de las especificaciones para que el rendimiento del hardware no se vea afectado. Más específicamente, queremos surtir el aumento de la temperatura del pasillo frío por debajo de un cierto paso, o una presurización positiva del pasillo frío al pasillo caliente, para minimizar el calor parásito causado por la recirculación.
Adicionalmente, el simulador basado en la física nos permite entrenar el maniquí RL con todos los escenarios posibles, no solo aquellos presentes en los datos históricos. Esto aumenta la confiabilidad durante eventos atípicos y permite una implementación rápida en centros de datos recién puestos en servicio.
En 2021, iniciamos un plan piloto en una de las regiones de centros de datos de Meta: el maniquí RL controla directamente el punto de ajuste del flujo de música de suministro. La Figura 3 muestra una comparación del nuevo punto de ajuste, en la pelotón de pies cúbicos por minuto (CFM), como la diámetro roja, con el punto de ajuste llamativo de BMS (como la diámetro celeste punteada) durante una semana con fines ilustrativos.
La fluctuación está determinada principalmente por la temperatura del música de suministro y los ciclos de carga del servidor en diferentes momentos del día. Más importante aún, como se muestra en la Figura 4, las condiciones de temperatura del centro de datos nunca se salieron de las especificaciones, con un suministro de flujo de música corto con respecto a la temperatura promedio y máxima del pasillo frío en comparación con la temperatura del música de suministro.
Es evidente que el peculio en CFM varía según las diferentes temperaturas del música de suministro, como lo muestra el claro univariante de la Figura 5. El peculio en CFM se puede convertir fácilmente en peculio de energía utilizado por los ventiladores de suministro. En condiciones cálidas y secas, cuando se requiere refrigeración por evaporación o humidificación, el uso de menos música asimismo se traducirá en un beocio consumo de agua. Durante los últimos dos abriles del piloto, en promedio, pudimos estrechar el consumo de energía de los ventiladores de suministro en un 20 % y el uso de agua en un 4 % en diversas condiciones climáticas.
Este esfuerzo ha franco la puerta a la transformación del funcionamiento de nuestros centros de datos. Mediante la preparación de predicciones automatizadas y optimizaciones continuas para ajustar las condiciones ambientales en nuestros centros de datos, podemos estrechar la curva de costos y el esfuerzo en tareas que requieren mucha mano de obra.
Meta está innovando en nuevos tipos de centros de datos que están diseñados para optimizar para inteligencia sintéticoPlaneamos aplicar la misma metodología presentada aquí a nuestros futuros centros de datos en la etapa de diseño para ayudar a certificar que estén optimizados para la sostenibilidad desde el primer día de sus operaciones.
Actualmente asimismo estamos implementando nuestro enfoque RL para la refrigeración de centros de datos en nuestros centros de datos existentes. En los próximos abriles esperamos ganar ahorros significativos en el uso de energía y agua para contribuir a Objetivos de sostenibilidad a generoso plazo de Meta.
Nos gustaría corresponder a nuestros socios en IDC Facility Operations (Butch Howard, Randy Ridgway, James Monahan, José Montes, Larame Cummings, Gerson Arteaga Ramírez, Juan Fabián, y muchos otros) por su apoyo.