論文の概要: OpenG2G: A Simulation Platform for AI Datacenter-Grid Runtime Coordination
- arxiv url: http://arxiv.org/abs/2605.05519v1
- Date: Wed, 06 May 2026 23:36:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.448778
- Title: OpenG2G: A Simulation Platform for AI Datacenter-Grid Runtime Coordination
- Title（参考訳）: OpenG2G:AIデータセンタグリッドランタイム調整のためのシミュレーションプラットフォーム
- Authors: Jae-Won Chung, Zhirui Liang, Yanyong Mao, Jiasi Chen, Mosharaf Chowdhury, Vladimir Dvorkin,
- Abstract要約: 我々はAIグリッド調整のためのシミュレーションプラットフォームOpenG2Gを構築した。
我々は,OpenG2Gが様々な調整質問に答えられることを示す。
本稿では,OpenG2Gの設計について述べるとともに,現実的なグリッドシナリオやAIワークロードを通じて,その有用性を実証する。
- 参考スコア（独自算出の注目度）: 8.02974671572362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI's growing compute demand and new datacenter buildouts present major capacity and reliability challenges for the electricity grid, leading to multi-year interconnection delays for new datacenters and bottlenecking AI growth. To ease this strain, datacenters increasingly offer rapid power flexibility in response to grid signals, where the datacenter can increase or decrease its power consumption by adapting its workload in real time. In order to understand the impact of large datacenters on the grid and to facilitate the design of effective coordination strategies, we build OpenG2G, a simulation platform for AI datacenter-grid runtime coordination. We show that OpenG2G is capable of answering a wide range of coordination questions by allowing users to implement and compare various control paradigms (including classic, optimization, and learning-based controllers), and quantify how AI model and deployment choices affect datacenter flexibility and coordination outcomes. This versatility is enabled by OpenG2G's modular and extensible architecture: a datacenter backend driven by real measurements of production-grade AI services, a grid backend built on high-fidelity grid simulators, and a generic controller interface that closes the loop between them. We describe the design of OpenG2G and demonstrate its usefulness through realistic grid scenarios and AI workloads.
- Abstract（参考訳）: AIの計算需要の増加とデータセンタの新たなビルドアウトは、電力グリッドの大きなキャパシティと信頼性上の課題を示し、新たなデータセンタの複数年間の相互接続の遅延と、AIの成長のボトルネックにつながる。
この歪みを緩和するため、データセンターはグリッド信号に応答して、ワークロードをリアルタイムで適応させることで、データセンターの電力消費を増大または減少させる、急激な電力柔軟性をますます提供します。
大規模データセンターがグリッドに与える影響を理解し,効率的なコーディネーション戦略の設計を容易にするため,我々は,AIデータセンタとグリッドのランタイムコーディネーションのためのシミュレーションプラットフォームOpenG2Gを構築した。
OpenG2Gは、ユーザーが様々な制御パラダイム(古典的、最適化、学習ベースコントローラなど)を実装、比較し、AIモデルとデプロイメントの選択がデータセンターの柔軟性と調整結果にどのように影響するかを定量化することで、幅広い調整問題に答えることができることを示す。
この汎用性は、OpenG2Gのモジュール化された拡張可能なアーキテクチャによって実現されている。プロダクショングレードのAIサービスの実測によって駆動されるデータセンタバックエンド、高忠実度グリッドシミュレータ上に構築されたグリッドバックエンド、それらの間のループを閉じるジェネリックコントローラインターフェースである。
本稿では,OpenG2Gの設計について述べるとともに,現実的なグリッドシナリオやAIワークロードを通じて,その有用性を実証する。
関連論文リスト
- Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。
我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。
我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
論文 参考訳（メタデータ） (2026-04-09T06:13:59Z) - DCcluster-Opt: Benchmarking Dynamic Multi-Objective Optimization for Geo-Distributed Data Center Workloads [14.834687262955585]
持続可能な時空間タスクスケジューリングのためのオープンソースの高忠実度シミュレーションベンチマークであるDCcluster-Optを提案する。
AIのワークロードトレース、グリッドカーボンの強度、電力市場、20のグローバルリージョンにわたる天候、クラウド送信コスト、経験的ネットワーク遅延パラメータなど、実世界のデータセットを組み合わせている。
モジュール型報酬システムは、二酸化炭素排出量、エネルギーコスト、サービスレベル合意、水利用の間のトレードオフを明示的に研究することを可能にする。
論文 参考訳（メタデータ） (2025-10-31T03:07:12Z) - Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。
グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。
Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
論文 参考訳（メタデータ） (2025-09-02T22:17:25Z) - 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) - Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - Federated Continual Graph Learning [8.153988353023745]
進化しているグラフデータを管理することは、ストレージとプライバシにおいて重大な課題を示し、そのようなデータ上でグラフニューラルネットワーク(GNN)をトレーニングすることは、しばしば破滅的な忘れ込み、以前のタスクのパフォーマンスを損なう。
我々は、記憶とプライバシーの制約の下で、複数の進化するグラフにGNNを適用するために、FCGL(Federated Continual Graph Learning)を提案する。
我々の実証的研究は、新しいタスクに適応する際にクライアントが事前知識を失うようなローカルグラフの忘れ(LGF)と、グローバルなGNNが新しいタスクに適応して古いタスクを維持する際に、サブ最適パフォーマンスを示すグローバルな専門知識紛争(GEC)の2つの主要な課題を強調しています。
論文 参考訳（メタデータ） (2024-11-28T05:15:47Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Near Real-Time Distributed State Estimation via AI/ML-Empowered 5G
Networks [1.1938918581443054]
エネルギー管理システムの重要な要素として状態推定関数に着目した。
i)グラフィカルモデルと信念伝播,およびi)グラフニューラルネットワークに基づく2つの強力な分散SE手法を比較した。
論文 参考訳（メタデータ） (2022-07-22T14:48:10Z) - Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。
現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。
我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
論文 参考訳（メタデータ） (2022-07-05T20:42:24Z) - Graph Neural Networks for Decentralized Controllers [171.6642679604005]
自律エージェントで構成される動的システムは、ロボット工学、スマートグリッド、スマートシティなど、多くの関連する問題に現れる。
最適な集中型コントローラは容易に利用できるが、スケーラビリティと実用的な実装の面で制限に直面している。
グラフニューラルネットワーク(GNN)を用いて,データから分散制御系を学習するフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-23T13:51:18Z)
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。