Fugu-MT 論文翻訳(概要): Energy Management for Renewable-Colocated Artificial Intelligence Data Centers

論文の概要: Energy Management for Renewable-Colocated Artificial Intelligence Data Centers

arxiv url: http://arxiv.org/abs/2507.08011v1
Date: Fri, 04 Jul 2025 18:25:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-14 18:03:54.084781
Title: Energy Management for Renewable-Colocated Artificial Intelligence Data Centers
Title（参考訳）: 再生可能集積型人工知能データセンターのエネルギー管理
Authors: Siying Li, Lang Tong, Timothy D. Mount,
Abstract要約: 我々は、再生可能エネルギーを共配置した人工知能(AI)データセンターのためのエネルギー管理システム(EMS)を開発した。利益を最大化するフレームワークの下で、EMSはAIワークロードスケジューリング、現場での再生可能利用、電力市場への参加を共同で最適化する。
参考スコア（独自算出の注目度）: 2.9562742331218725
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop an energy management system (EMS) for artificial intelligence (AI) data centers with colocated renewable generation. Under a profit-maximizing framework, the EMS of renewable-colocated data center (RCDC) co-optimizes AI workload scheduling, on-site renewable utilization, and electricity market participation. Within both wholesale and retail market participation models, the economic benefit of the RCDC operation is maximized. Empirical evaluations using real-world traces of electricity prices, data center power consumption, and renewable generation demonstrate significant profit gains from renewable and AI data center colocations.
Abstract（参考訳）: 我々は、再生可能エネルギーを共配置した人工知能(AI)データセンターのためのエネルギー管理システム(EMS)を開発した。利益を最大化するフレームワークの下で、再生可能データセンター(RCDC)のEMSは、AIワークロードのスケジューリング、現場での再生可能利用、電気市場への参加を最適化する。市場参加モデルと小売市場参加モデルの両方において、RCC事業の経済的利益は最大化される。電力価格、データセンターの電力消費、再生可能エネルギーといった実世界の痕跡を用いた実証的な評価は、再生可能およびAIデータセンターのコロケーションからかなりの利益を得ていることを示している。

関連論文リスト

Turning AI Data Centers into Grid-Interactive Assets: Results from a Field Demonstration in Phoenix, Arizona [1.098838323009419]
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。
論文参考訳（メタデータ） (2025-07-01T16:11:49Z)
AI4EF: Artificial Intelligence for Energy Efficiency in the Building Sector [38.48549968280562]
AI4EFは、エネルギーの適合性と効率の最適化を構築するための意思決定をサポートするために設計された、高度なユーザー中心のツールである。 AI4EFは機械学習(ML)とデータ駆動の洞察を活用し、利害関係者がエネルギー消費、再適合コスト、環境影響をモデル化し、分析し、予測することを可能にする。
論文参考訳（メタデータ） (2024-12-05T10:36:39Z)
Game-Theoretic Deep Reinforcement Learning to Minimize Carbon Emissions and Energy Costs for AI Inference Workloads in Geo-Distributed Data Centers [3.3379026542599934]
この研究は、地理分散データセンターにおけるAI推論ワークロードの分散を最適化するために、ゲーム理論(GT)と深層強化学習(DRL)を組み合わせたユニークなアプローチを導入する。提案手法は,非協調型ゲーム理論の原理をDRLフレームワークに統合し,データセンターが作業負荷配分に関するインテリジェントな決定を行えるようにする。
論文参考訳（メタデータ） (2024-04-01T20:13:28Z)
Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-17T02:12:30Z)
Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文参考訳（メタデータ） (2022-11-29T01:18:58Z)
RARE: Renewable Energy Aware Resource Management in Datacenters [9.488752723308954]
ハイパースケールクラウドプロバイダは、再生可能エネルギーを使用してデータセンターを動かす計画を発表した。データセンターを動かすために再生可能エネルギーを統合することは、発電が断続的であるため困難である。再生可能エネルギーからの断続的な電力供給に継続的に適応しつつ、効果的なジョブスケジューリングポリシーを学習するスケジューラを提案する。
論文参考訳（メタデータ） (2022-11-10T05:17:14Z)
A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文参考訳（メタデータ） (2021-03-18T16:04:42Z)
A robust modeling framework for energy analysis of data centers [0.0]
データセンターはエネルギー集約型であり、電力需要が大きく成長している。現在のモデルでは、データセンターに対して一貫した高次元エネルギー分析を提供していない。本研究の目的は,政策立案者やデータセンタエネルギーアナリストに対して,データセンターエネルギーの利用状況と効率性に関する包括的理解を提供することである。
論文参考訳（メタデータ） (2020-06-11T21:05:20Z)
Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文参考訳（メタデータ） (2020-05-05T07:32:40Z)
Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文参考訳（メタデータ） (2020-02-20T04:58:07Z)
NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。