論文の概要: Improving AI Efficiency in Data Centres by Power Dynamic Response
- arxiv url: http://arxiv.org/abs/2510.11119v1
- Date: Mon, 13 Oct 2025 08:08:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.258619
- Title: Improving AI Efficiency in Data Centres by Power Dynamic Response
- Title（参考訳）: 電力動的応答によるデータセンターのAI効率の改善
- Authors: Andrea Marinoni, Sai Shivareddy, Pietro Lio', Weisi Lin, Erik Cambria, Clare Grey,
- Abstract要約: 近年、人工知能(AI)の着実に成長が加速し、洗練されたモデルの開発が進められている。
AIの潜在能力を最大限に活用するためには、堅牢で信頼性の高い電力インフラの確保が不可欠だ。
しかし、AIデータセンターは電力に非常に飢えており、彼らの電力管理の問題が注目されている。
- 参考スコア（独自算出の注目度）: 74.12165648170894
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The steady growth of artificial intelligence (AI) has accelerated in the recent years, facilitated by the development of sophisticated models such as large language models and foundation models. Ensuring robust and reliable power infrastructures is fundamental to take advantage of the full potential of AI. However, AI data centres are extremely hungry for power, putting the problem of their power management in the spotlight, especially with respect to their impact on environment and sustainable development. In this work, we investigate the capacity and limits of solutions based on an innovative approach for the power management of AI data centres, i.e., making part of the input power as dynamic as the power used for data-computing functions. The performance of passive and active devices are quantified and compared in terms of computational gain, energy efficiency, reduction of capital expenditure, and management costs by analysing power trends from multiple data platforms worldwide. This strategy, which identifies a paradigm shift in the AI data centre power management, has the potential to strongly improve the sustainability of AI hyperscalers, enhancing their footprint on environmental, financial, and societal fields.
- Abstract（参考訳）: 近年、人工知能(AI)の着実に成長が加速し、大規模言語モデルや基礎モデルのような洗練されたモデルの開発が促進されている。
AIの潜在能力を最大限に活用するためには、堅牢で信頼性の高い電力インフラの確保が不可欠だ。
しかし、AIデータセンターは電力に非常に飢えており、特に環境や持続可能な開発への影響に関して、電力管理の問題が注目されている。
本研究では、AIデータセンターの電力管理における革新的なアプローチ、すなわち、入力電力の一部をデータ計算機能に使用する電力として動的に行うことに基づく、ソリューションの容量と限界について検討する。
受動・アクティブデバイスの性能は、世界中の複数のデータプラットフォームからの電力動向を分析し、計算ゲイン、エネルギー効率、資本支出の削減、管理コストの観点から定量化し比較する。
この戦略は、AIデータセンターの電力管理におけるパラダイムシフトを特定し、AIハイパースケーラの持続可能性を大幅に改善し、環境、財務、社会分野におけるフットプリントを強化する可能性がある。
関連論文リスト
- Energy Management for Renewable-Colocated Artificial Intelligence Data Centers [3.128780458580408]
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。
コスト最小化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。
論文 参考訳（メタデータ） (2025-07-04T18:25:42Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - 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) - AI-Driven Approaches for Optimizing Power Consumption: A Comprehensive Survey [0.0]
電力最適化が重要である主な理由は、環境効果の低減、運転コストの低減、安定的で持続可能なエネルギー供給である。
電力最適化と人工知能(AI)の統合は、エネルギーの生成、使用、分散の方法を変えるために不可欠である。
AI駆動のアルゴリズムと予測分析によって、電力使用傾向のリアルタイム監視と分析が可能になる。
論文 参考訳（メタデータ） (2024-06-22T04:42:37Z) - Computing Power and the Governance of Artificial Intelligence [51.967584623262674]
政府や企業は、AIを管理する手段として計算を活用し始めている。
計算ベースのポリシーと技術は、これらの領域を補助する可能性があるが、実装の準備ができている点で大きなバリエーションがある。
プライバシーや経済的影響、権力の中央集権化といった分野において、ガバナンスの計算方法の素早い、あるいは不十分なアプローチは重大なリスクを伴います。
論文 参考訳（メタデータ） (2024-02-13T21:10:21Z) - 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) - Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。
提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
論文 参考訳（メタデータ） (2021-03-22T21:22:51Z) - 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)
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。