論文の概要: Toward Physics-Informed Machine Learning for Data Center Operations: A Tropical Case Study
- arxiv url: http://arxiv.org/abs/2505.19414v1
- Date: Mon, 26 May 2025 02:06:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:43.102994
- Title: Toward Physics-Informed Machine Learning for Data Center Operations: A Tropical Case Study
- Title（参考訳）: データセンター運用のための物理インフォームド機械学習に向けて--熱帯ケーススタディ
- Authors: Ruihang Wang, Zhiwei Cao, Qingang Zhang, Rui Tan, Yonggang Wen, Tommy Leung, Stuart Kennedy, Justin Teoh,
- Abstract要約: 熱帯地域のデータセンターは、一貫した環境温度と相対湿度の上昇により、ユニークな課題に直面している。
本稿では、従来のデータ駆動機械学習ソリューションにデータセンターの物理的特性を取り入れることを提案する。
- 参考スコア（独自算出の注目度）: 11.177394570062894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data centers are the backbone of computing capacity. Operating data centers in the tropical regions faces unique challenges due to consistently high ambient temperature and elevated relative humidity throughout the year. These conditions result in increased cooling costs to maintain the reliability of the computing systems. While existing machine learning-based approaches have demonstrated potential to elevate operations to a more proactive and intelligent level, their deployment remains dubious due to concerns about model extrapolation capabilities and associated system safety issues. To address these concerns, this article proposes incorporating the physical characteristics of data centers into traditional data-driven machine learning solutions. We begin by introducing the data center system, including the relevant multiphysics processes and the data-physics availability. Next, we outline the associated modeling and optimization problems and propose an integrated, physics-informed machine learning system to address them. Using the proposed system, we present relevant applications across varying levels of operational intelligence. A case study on an industry-grade tropical data center is provided to demonstrate the effectiveness of our approach. Finally, we discuss key challenges and highlight potential future directions.
- Abstract（参考訳）: データセンターは計算能力のバックボーンです。
熱帯地域の運用データセンターは、一年を通して環境温度が常に高く、相対湿度が上昇しているため、ユニークな課題に直面している。
これらの条件により、コンピュータシステムの信頼性を維持するための冷却コストが増大する。
既存の機械学習ベースのアプローチは、オペレーションをより活発でインテリジェントなレベルに高める可能性を示しているが、モデル外挿機能と関連するシステム安全性の問題に対する懸念から、そのデプロイメントは疑わしいままである。
これらの懸念に対処するため、この記事では、データセンターの物理的特性を従来のデータ駆動機械学習ソリューションに組み込むことを提案する。
まず、関連するマルチフィジカルプロセスとデータフィジカル可用性を含むデータセンターシステムを導入する。
次に、関連するモデリングと最適化の問題を概説し、それに対応する統合された物理インフォームド機械学習システムを提案する。
提案システムを用いて,さまざまなレベルの運用インテリジェンスに適用可能なアプリケーションを提案する。
本手法の有効性を実証するために,産業グレードの熱帯データセンターの事例研究を行った。
最後に、重要な課題について議論し、今後の方向性を強調します。
関連論文リスト
- A spectrum of physics-informed Gaussian processes for regression in
engineering [0.0]
センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。
本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
論文 参考訳（メタデータ） (2023-09-19T14:39:03Z) - ECS -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
データ品質の保証のための新しいアプローチを提案する。
この目的のために、まず数学的基礎を議論し、そのアプローチを複数の例を用いて提示する。
これにより、安全クリティカルなシステムにおいて、潜在的に有害な特性を持つデータポイントが検出される。
論文 参考訳（メタデータ） (2023-07-10T06:49:18Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
論文 参考訳（メタデータ） (2022-02-28T05:27:22Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Data-Centric Engineering: integrating simulation, machine learning and
statistics. Challenges and Opportunities [1.3535770763481905]
機械学習の最近の進歩と低コストの計算が組み合わさって、多分野の研究活動が広まりつつある。
物理方程式に基づく力学モデルと純粋にデータ駆動統計アプローチは、モデリングスペクトルの2つの端を表す。
新しいハイブリッドなデータ中心のエンジニアリングアプローチは、両方の世界の長所を生かし、シミュレーションとデータの両方を統合することで、強力なツールとして現れています。
論文 参考訳（メタデータ） (2021-11-07T22:31:23Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Physical reservoir computing -- An introductory perspective [0.0]
物理貯水池計算は、物理系の複雑な力学を情報処理装置として利用することができる。
本稿では,ソフトロボティクスの例を用いて,フレームワークの可能性を説明する。
論文 参考訳（メタデータ） (2020-05-03T05:39:06Z)
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。