論文の概要: Turning AI Data Centers into Grid-Interactive Assets: Results from a Field Demonstration in Phoenix, Arizona

• arxiv url: http://arxiv.org/abs/2507.00909v1
• Date: Tue, 01 Jul 2025 16:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.725604
• Title: Turning AI Data Centers into Grid-Interactive Assets: Results from a Field Demonstration in Phoenix, Arizona
• Title（参考訳）: AIデータセンターをグリッド・インタラクティブ・アセットに変える - アリゾナ州フェニックスのフィールドデモから
• Authors: Philip Colangelo, Ayse K. Coskun, Jack Megrue, Ciaran Roberts, Shayan Sengupta, Varun Sivaram, Ethan Tiao, Aroon Vijaykar, Chris Williams, Daniel C. Wilson, Zack MacFarland, Daniel Dreiling, Nathan Morey, Anuja Ratnayake, Baskar Vairamohan,
• Abstract要約: Emerald ConductorはAIデータセンタを柔軟なグリッドリソースに変換する。 Trialはピークグリッドイベント中に3時間にわたって、クラスタ電力使用量の25%削減を達成した。 システムは、ハードウェア修正やエネルギーストレージなしでリアルタイムグリッド信号に基づいてAIワークロードを編成する。
• 参考スコア（独自算出の注目度）: 1.098838323009419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) is fueling exponential electricity demand growth, threatening grid reliability, raising prices for communities paying for new energy infrastructure, and stunting AI innovation as data centers wait for interconnection to constrained grids. This paper presents the first field demonstration, in collaboration with major corporate partners, of a software-only approach--Emerald Conductor--that transforms AI data centers into flexible grid resources that can efficiently and immediately harness existing power systems without massive infrastructure buildout. Conducted at a 256-GPU cluster running representative AI workloads within a commercial, hyperscale cloud data center in Phoenix, Arizona, the trial achieved a 25% reduction in cluster power usage for three hours during peak grid events while maintaining AI quality of service (QoS) guarantees. By orchestrating AI workloads based on real-time grid signals without hardware modifications or energy storage, this platform reimagines data centers as grid-interactive assets that enhance grid reliability, advance affordability, and accelerate AI's development.
• Abstract（参考訳）: 人工知能(AI)は、電力需要の指数的な伸びを加速し、グリッドの信頼性を脅かし、新しいエネルギーインフラにお金を払っているコミュニティの価格を上昇させ、データセンターがグリッドとの相互接続を待つ中でAIイノベーションを阻害している。 本稿では、AIデータセンタをフレキシブルグリッドリソースに変換するソフトウェアのみのアプローチであるEmerald Conductorを、大企業のパートナと共同で、初めて実演する。 アリゾナ州フェニックスの商用のハイパースケールクラウドデータセンタ内で、代表的AIワークロードを実行する256GPUクラスタで実施されたこのトライアルは、ピークグリッドイベント中に3時間のクラスタ電力使用を25%削減し、AI品質のサービス保証(QoS)を維持した。 ハードウェア修正やエネルギーストレージのないリアルタイムグリッド信号に基づいてAIワークロードを編成することにより、このプラットフォームは、グリッドの信頼性を高め、可用性を向上し、AIの開発を加速するグリッドインタラクティブアセットとして、データセンタを再定義する。

関連論文リスト

• The Unseen AI Disruptions for Power Grids: LLM-Induced Transients [0.5749787074942511]
  AIインフラストラクチャは、超低慣性、シャープなパワーサージとディップ、ピーク時のパワー比を特徴としている。 これらの目に見えない特徴は、AIを非常にユニークな負荷にし、電力グリッドの信頼性とレジリエンスに脅威をもたらす。 本稿では、AI電力消費の規模を調査し、様々なシナリオにおけるAI過渡行動を分析し、AIワークロードの振る舞いを記述するための高レベルな数学的モデルを開発し、既存の電力網にもたらす可能性のある課題と機会について論じる。
  論文  参考訳（メタデータ） (2024-09-09T05:22:01Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• RAI4IoE: Responsible AI for Enabling the Internet of Energy [40.87183313830612]
  本稿では,インターネット・オブ・エナジー(IoE)のための技術とアルゴリズムを備えた,等価で責任性の高いAIフレームワークの開発を計画する。 我々のプロジェクトのビジョンは、コミュニティメンバーの公平な参加と、IoEにおけるデータの責任を負うことで、AIの進歩の恩恵を享受し、安全で信頼性があり持続可能なエネルギーサービスを提供することです。
  論文  参考訳（メタデータ） (2023-09-20T23:45:54Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
  本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。 MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
  論文  参考訳（メタデータ） (2022-03-31T09:31:53Z)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)

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。