論文の概要: Runtime data center temperature prediction using Grammatical Evolution
techniques
- arxiv url: http://arxiv.org/abs/2211.06329v1
- Date: Fri, 11 Nov 2022 16:30:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 17:00:00.098775
- Title: Runtime data center temperature prediction using Grammatical Evolution
techniques
- Title(参考訳): 文法進化法による実行時データセンター温度予測
- Authors: Marina Zapater, Jos\'e L. Risco-Mart\'in, Patricia Arroba, Jos\'e L.
Ayala, Jos\'e M. Moya and Rom\'an Hermida
- Abstract要約: 本稿では,データセンターの温度モデルの生成手法と,可変冷却環境下でのCPUおよび入出力温度の実行時予測について述べる。
時間を要する計算流体力学技術とは対照的に、我々のモデルは問題に関する具体的な知識を必要としない。
以上の結果から,データルーム内のサーバの温度を,CPUの2C以下,サーバの入出力温度0.5C以下で予測できることを示す。
- 参考スコア(独自算出の注目度): 1.8909283916360866
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data Centers are huge power consumers, both because of the energy required
for computation and the cooling needed to keep servers below thermal redlining.
The most common technique to minimize cooling costs is increasing data room
temperature. However, to avoid reliability issues, and to enhance energy
efficiency, there is a need to predict the temperature attained by servers
under variable cooling setups. Due to the complex thermal dynamics of data
rooms, accurate runtime data center temperature prediction has remained as an
important challenge. By using Gramatical Evolution techniques, this paper
presents a methodology for the generation of temperature models for data
centers and the runtime prediction of CPU and inlet temperature under variable
cooling setups. As opposed to time costly Computational Fluid Dynamics
techniques, our models do not need specific knowledge about the problem, can be
used in arbitrary data centers, re-trained if conditions change and have
negligible overhead during runtime prediction. Our models have been trained and
tested by using traces from real Data Center scenarios. Our results show how we
can fully predict the temperature of the servers in a data rooms, with
prediction errors below 2 C and 0.5 C in CPU and server inlet temperature
respectively.
- Abstract(参考訳): データセンターは巨大な電力消費者であり、計算に必要なエネルギーとサーバーを熱的赤線以下に保つのに必要な冷却の両方がある。
冷却コストを最小化する最も一般的な手法は、データ室温度の上昇である。
しかし、信頼性の問題を避け、エネルギー効率を高めるためには、可変冷却装置でサーバが達成した温度を予測する必要がある。
データルームの複雑な熱力学のため、正確な実行時データセンタ温度予測が重要な課題として残されている。
本稿では, 解析的進化法を用いて, データセンターの温度モデル生成手法と, 可変冷却装置によるCPUおよび入口温度のランタイム予測手法を提案する。
時間を要する計算流体力学の手法とは対照的に、我々のモデルは問題に関する具体的な知識を必要とせず、任意のデータセンターで使用でき、条件が変化しても再学習でき、実行時予測時に無視できるオーバーヘッドを持つ。
私たちのモデルは、実際のデータセンターシナリオのトレースを使用してトレーニングされ、テストされています。
その結果,データルーム内のサーバの温度を,cpuとサーバのインレット温度において,予測誤差が2c以下と0.5c以下で完全に予測できることを示した。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Real-Time 2D Temperature Field Prediction in Metal Additive
Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。
本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。
提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
論文 参考訳(メタデータ) (2024-01-04T18:42:28Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳(メタデータ) (2023-06-05T04:34:54Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Physics-based Digital Twins for Autonomous Thermal Food Processing:
Efficient, Non-intrusive Reduced-order Modeling [0.0]
本稿では,自律食品処理のための物理に基づくデータ駆動型Digital Twinフレームワークを提案する。
ROM試験におけるトレーニングデータの表面温度の標準偏差と低根平均二乗誤差との相関は、トレーニングデータの効率的な選択を可能にする。
論文 参考訳(メタデータ) (2022-09-07T10:58:38Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳(メタデータ) (2022-07-13T14:13:49Z) - Tensor Network for Supervised Learning at Finite Temperature [1.4717465036484292]
有限温度テンソルネットワーク(fttn)は熱摂動を行列積状態フレームワークにインポートする。
FTTNは環境との絡み合いから計算した熱損失とみなしている。
温度のようなパラメータは自動的に最適化され、各データベースに個々の温度を与える。
論文 参考訳(メタデータ) (2021-04-09T05:02:36Z) - Statistical Post-processing for Gridded Temperature Forecasts Using
Encoder-Decoder Based Deep Convolutional Neural Networks [0.0]
日本気象庁(JMA)は積雪量と降水量を予測するための格子状温度誘導を運用している。
NWPモデルが前線の位置を正確に予測しなかったり、観測温度が極端に寒かったり暑かったりした場合、温度の補正は困難であった。
本稿では,関東地方の表面温度を予測するために,エンコーダデコーダ型畳み込みニューラルネットワーク(cnns)を用いた。
論文 参考訳(メタデータ) (2021-03-02T05:28:31Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳(メタデータ) (2021-02-24T10:18:30Z) - Thermal Prediction for Efficient Energy Management of Clouds using
Machine Learning [31.735983199708013]
プライベートクラウドからのデータを分析し、熱的変動の存在を示す。
温度予測のための勾配強化機械学習モデルを提案する。
さらに,ホストのピーク温度を最小化する動的スケジューリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-11-07T00:55:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。