Artificiell intelligens tillämpad på kylning av datacenter är en av de mest betydande innovationerna inom industriell energioptimering.

‍

Det autonoma system som utvecklats av Google DeepMind, och som varit i drift sedan 2018, har visat hur AI kan förändra den termiska hanteringen av kritisk infrastruktur och uppnå konkreta resultat när det gäller driftseffektivitet.

‍

Innovation förändrar datacenter

‍

Frågan om energieffektivitet

Moderna datacenter är enorma energikonsumenter, och kylning står för cirka 10 procent av den totala elförbrukningen enligt Jonathan Koomey, en global expert på energieffektivitet. Var femte minut fångar Googles molnbaserade AI-system en ögonblicksbild av kylsystemet från tusentals sensorer Safety-first AI for autonomous data centre cooling and industrial control - Google DeepMind, som analyserar driftskomplexitet som trotsar traditionella kontrollmetoder.

‍

Googles AI-kylsystem använder djupa neurala nätverk för att förutse hur olika kombinationer av åtgärder påverkar den framtida energiförbrukningen, och identifierar vilka åtgärder som minimerar förbrukningen samtidigt som de uppfyller robusta säkerhetskrav DeepMind AI minskar kylkostnaden för Googles datacenter med 40 % - Google DeepMind

‍

Konkreta och mätbara resultat

De resultat som uppnåtts inom kylningsoptimering är betydande: systemet kunde konsekvent uppnå en 40-procentig minskning av den energi som används för kylning DeepMind AI minskar kylningsnotan för Googles datacenter med 40 procent - Google DeepMind. Men med tanke på att kylningen står för cirka 10 procent av den totala förbrukningen innebär detta en total energibesparing på cirka 4 procent i datacentret.

‍

Enligt det ursprungliga tekniska dokumentet av Jim Gao uppnår det neurala nätverket ett genomsnittligt absolut fel på 0,004 och en standardavvikelse på 0,005, vilket motsvarar ett fel på 0,4% för en PUE på 1,1 DeepMind AI minskar kylkostnaden för Googles datacenter med 40% - Google DeepMind.

‍

Där det fungerar: Datacenter bekräftade

Verifierade implementeringar

Implementeringen av AI-systemet har officiellt bekräftats i tre specifika datacenter:

Singapore: Den första betydande installationen skedde 2016, där datacentret använder återvunnet vatten för kylning Homepage - Google Data Centers och visade en minskning av kylenergin med 40%.

‍

Eemshaven, Nederländerna: Datacentret använder industriellt vatten och förbrukade 232 miljoner liter vatten under 2023 Hemsida - Google Data Centers. Marco Ynema, site lead för anläggningen, övervakar driften av denna avancerade anläggning.

‍

Council Bluffs, Iowa: MIT Technology Review visade specifikt upp Council Bluffs datacenter under en diskussion om Google Clouds datacenterplatser: regioner och tillgänglighetszoner - Dgtl Infra. Google investerade 5 miljarder dollar i de två Council Bluffs-campusen, som förbrukade 980,1 miljoner gallon vatten 2023 Kina driver AI-boom med undervattensdatacenter | Scientific American.

‍

Ett molnbaserat AI-kontrollsystem är nu i drift och ger energibesparingar i flera datacenter Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, men företaget har inte publicerat den fullständiga listan över anläggningar som använder tekniken.

‍

Teknisk arkitektur: Hur den fungerar

Djupa neurala nätverk och maskininlärning

‍

Enligt patent US20180204116A1 använder systemet enarkitektur för djupinlärning med exakta tekniska egenskaper:

• 5 dolda lager med 50 noder per lager
• 19 normaliserade ingångsvariabler inklusive värmelaster, väderförhållanden, utrustningsstatus
• 184.435 träningsprover med 5 minuters upplösning (ca 2 års driftdata)
• Regulariseringsparameter: 0,001 för att förhindra överanpassning

Arkitekturen använder Model Predictive Control med linjära ARX-modeller integrerade med djupa neurala nätverk. Neurala nätverk kräver inte att användaren i förväg definierar interaktioner mellan variabler i modellen. Istället söker det neurala nätverket efter mönster och interaktioner mellan funktioner för att automatiskt generera en optimal modell DeepMind AI minskar kylkostnaden för Googles datacenter med 40% - Google DeepMind.

‍

Effektivitet i energianvändning (PUE): Det viktigaste måttet

PUE representerar den grundläggande energieffektiviteten hos datacenter:

PUE = Total energi för datacenter / energi för IT-utrustning

• PUE för hela Googles flotta: 1,09 år 2024 (enligt Googles miljörapporter)
• Genomsnitt för industrin: 1,56-1,58
• Idealisk PUE: 1,0 (teoretiskt omöjligt)

Google har ISO 50001-certifiering för energihantering, vilket garanterar strikta driftstandarder men inte specifikt validerar AI-systemets prestanda.

‍

Modellprediktiv styrning (MPC)

Kärnan i innovationen är prediktiv styrning som förutspår framtida temperatur och tryck i datacentret under den närmaste timmen och simulerar rekommenderade åtgärder för att säkerställa att inga driftsbegränsningar överskrids DeepMind AI minskar kylkostnaden för Googles datacenter med 40% - Google DeepMind

‍

‍

Operativa fördelar med AI inom kylning

Överlägsen prediktiv noggrannhet

Efter att ha testats och misslyckats är modellerna nu 99,6 procent exakta när det gäller att förutsäga PUE Machine Learning Applications for Data Centre Optimisation. Denna noggrannhet möjliggör optimeringar som är omöjliga med traditionella metoder, samtidigt som man hanterar de komplexa icke-linjära interaktionerna mellan mekaniska, elektriska och miljömässiga system.

‍

Kontinuerligt lärande och anpassning

En viktig aspekt är den evolutionära inlärningsförmågan. Under loppet av nio månader ökade systemets prestanda från en 12-procentig förbättring vid den första lanseringen till en cirka 30-procentig förbättring Data Centre Optimisation Jim Gao, Google - DocsLib.

Dan Fuenffinger, operatör på Google, kommenterade: "Det var fantastiskt att se AI lära sig att dra nytta av vinterförhållandena och producera kallare vatten än normalt. Regler förbättras inte med tiden, men det gör AI" Kylning av datacenter med hjälp av modellprediktiv styrning.

‍

Optimering med flera variabler

Systemet hanterar 19 kritiska driftsparametrar samtidigt:

• Total IT-belastning av servrar och nätverk
• Väderförhållanden (temperatur, luftfuktighet, entalpi)
• Status för utrustning (kylare, kyltorn, pumpar)
• Börvärden och driftskontroller
• Fläkthastighet och VFD-system

Säkerhet och kontroll: garanterat felsäkert

Verifiering på flera nivåer

Driftsäkerheten säkerställs genom redundanta mekanismer. De optimala åtgärder som AI:n beräknar kontrolleras mot en intern lista med operatörsdefinierade säkerhetsbegränsningar. När instruktionerna har skickats till det fysiska datacentret kontrollerar det lokala kontrollsystemet dem på nytt DeepMind AI minskar energianvändningen för kylning av Googles datacenter med 40 procent.

‍

Operatörerna behåller hela tiden kontrollen och kan när som helst lämna AI-läget och sömlöst övergå till traditionella regler DeepMind AI minskar energianvändningen för kylning av Googles datacenter med 40%.

‍

Begränsningar och metodologiska överväganden

‍

PUE-mått och begränsningar

Branschen är medveten om begränsningarna med Power Usage Effectiveness som mätmetod. En undersökning från Uptime Institute 2014 visade att 75 procent av de tillfrågade ansåg att branschen behövde ett nytt effektivitetsmått. Problemen inkluderar klimatbias (omöjligt att jämföra olika klimat), tidsmanipulation (mätningar under optimala förhållanden) och uteslutning av komponenter.

‍

Komplexitet i genomförandet

Varje datacenter har en unik arkitektur och miljö. En anpassad modell för ett system kanske inte är tillämplig på ett annat, vilket kräver ett ramverk med allmän intelligens DeepMind AI minskar kylkostnaden för Googles datacenter med 40% - Google DeepMind.

‍

Datakvalitet och verifiering

Modellens noggrannhet beror på kvaliteten och kvantiteten på indata. Modellfelet ökar i allmänhet för PUE-värden över 1,14 på grund av bristen på motsvarande träningsdata DeepMind AI minskar kylkostnaden för Googles datacenter med 40% - Google DeepMind.

Inga oberoende granskningar av större revisionsbyråer eller nationella laboratorier hittades, och Google "genomför inte tredjepartsrevisioner" utöver de federala minimikraven.

‍

‍

Framtiden: Utveckling mot vätskekylning

Teknologisk omvandling

Under 2024-2025 skiftade Google dramatiskt fokus mot

• +/-400 VDC strömförsörjningssystem för 1MW-rack
• "Project Deschutes" kyldistributionsenheter
• Direkt vätskekylning för TPU v5p med "99,999% drifttid".

Denna förändring tyder på att AI-optimering har nått praktiska gränser för de termiska belastningarna i moderna AI-applikationer.

Framväxande trender

• Edge computing-integration: distribuerad AI för minskad latens
• Digitala tvillingar: Digitala tvillingar för avancerad simulering
• Fokus på hållbarhet: Optimering för förnybar energi
• Hybridkylning: AI-optimerad kombination av vätska och luft

Tillämpningar och möjligheter för företag

Applikationssektorer

AI-optimering för kylning har fått fler tillämpningar än bara i datacenter:

• Industrianläggningar: Optimering av HVAC-system för tillverkning
• Köpcentrum: Intelligent klimatstyrning
• Sjukhus: Miljökontroll av operationssalar och kritiska områden
• Företagskontor: Smarta byggnader och fastighetsförvaltning

ROI och ekonomiska fördelar

Energibesparingar på kylsystem resulterar i:

• Minskade driftskostnader för kylsubsystem
• Förbättrad miljömässig hållbarhet
• Förlängning av utrustningens livslängd
• Ökad driftsäkerhet

Strategisk implementering för företag

Färdplan för antagande

Fas 1 - Bedömning: Energirevision och kartläggning av befintliga systemFas2 - Pilot: Testning i en kontrollerad miljö på en begränsad delFas3 - Driftsättning: Progressiv utrullning med intensiv övervakningFas4 - Optimering: Kontinuerlig justering och kapacitetsökning

Tekniska överväganden

• Sensorinfrastruktur: Komplett övervakningsnätverk
• Teamkunskaper: datavetenskap, fastighetsförvaltning, cybersäkerhet
• Integration: Kompatibilitet med äldre system
• Efterlevnad: Säkerhets- och miljöbestämmelser

FAQ - Vanliga frågor och svar

‍

1. I vilka av Googles datacenter är AI-systemet verkligen i drift?

Tre datacenter är officiellt bekräftade: Singapore (första driftsättning 2016), Eemshaven i Nederländerna och Council Bluffs i Iowa. Systemet är i drift i flera datacenter Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor men den fullständiga listan har aldrig offentliggjorts.

‍

2. Hur stor energibesparing ger den verkligen i förhållande till den totala förbrukningen?

Systemet uppnår en 40-procentig minskning av den energi som används för kylning DeepMind AI minskar kylkostnaden för Googles datacenter med 40 procent - Google DeepMind. Med tanke på att kylningen står för cirka 10 procent av den totala förbrukningen är den totala energibesparingen cirka 4 procent av datacentrets totala förbrukning.

‍

3. Hur exakt är systemets prognosprecision?

Systemet uppnår 99,6 procents noggrannhet i att förutspå PUE med ett genomsnittligt absolut fel på 0,004 ± 0,005, vilket motsvarar ett fel på 0,4 procent för en PUE på 1,1 Google DeepMindGoogleResearch. Om den verkliga PUE är 1,1, förutspår AI mellan 1,096 och 1,104.

‍

4. Hur säkerställer ni driftsäkerheten?

Verifieringen sker i två steg: först kontrollerar AI:n de säkerhetsbegränsningar som operatörerna har definierat, sedan kontrollerar det lokala systemet instruktionerna igen. Operatörerna kan alltid avaktivera AI-kontrollen och återgå till traditionella system DeepMind AI minskar energianvändningen för kylning av Googles datacenter med 40%.

‍

5. Hur lång tid tar det att införa ett sådant system?

Implementeringen tar normalt 6-18 månader: 3-6 månader för datainsamling och modellutbildning, 2-4 månader för pilottestning, 3-8 månader för stegvis utrullning. Komplexiteten varierar betydligt beroende på den befintliga infrastrukturen.

‍

6. Vilka tekniska färdigheter behövs?

Det behövs ett multidisciplinärt team med expertis inom datavetenskap/AI, HVAC-teknik, fastighetsförvaltning, cybersäkerhet och systemintegration. Många företag väljer att ingå partnerskap med specialiserade leverantörer.

‍

7. Kan systemet anpassas till årstidsväxlingar?

Ja, AI lär sig automatiskt att utnyttja säsongsmässiga förhållanden, t.ex. att producera kallare vatten på vintern för att minska kylenergin Data Centre Cooling using Model-predictive Control. Systemet förbättras kontinuerligt genom att känna igen tids- och vädermönster.

‍

8. Varför kommersialiserar inte Google denna teknik?

Varje datacenter har en unik arkitektur och miljö, vilket kräver betydande anpassningar DeepMind AI minskar kylkostnaden för Googles datacenter med 40% - Google DeepMind. Komplexiteten i implementeringen, behovet av specifika data och den expertis som krävs gör direktmarknadsföring komplicerad. Efter 8 år är denna teknik fortfarande exklusivt intern för Google.

‍

9. Finns det oberoende utvärderingar av prestationer?

Inga oberoende revisioner av större revisionsföretag (Deloitte, PwC, KPMG) eller nationella laboratorier hittades. Google har ISO 50001-certifiering men "genomför inte tredjepartsrevisioner" utöver de federala minimikraven.

‍

10. Är den tillämplig på andra sektorer än datacenter?

Absolut. AI-optimering för kylning kan tillämpas på industrianläggningar, köpcentrum, sjukhus, företagskontor och alla anläggningar med komplexa HVAC-system. Principerna för optimering med flera variabler och prediktiv styrning är universellt tillämpliga.

‍

Kylsystemet Google DeepMind AI är en teknisk innovation som åstadkommer stegvisa förbättringar inom en specifik domän. För företag som driver energiintensiva infrastrukturer erbjuder denna teknik konkreta möjligheter till kyloptimering, om än med de begränsningar som följer av skalan.

‍

Huvudkällor: Jim Gao Google Research paper, DeepMind Official Blog, MIT Technology Review, Patent US20180204116A1