論文の概要: Designing Datacenter Power Delivery Hierarchies for the AI Era

• arxiv url: http://arxiv.org/abs/2605.16255v1
• Date: Fri, 15 May 2026 17:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.403624
• Title: Designing Datacenter Power Delivery Hierarchies for the AI Era
• Title（参考訳）: AI時代のデータセンターの電力供給階層を設計する
• Authors: Grant Wilkins, Fiodar Kazhamiaka, Alok Gautam Kumbhare, Chaojie Zhang, Ricardo Bianchini,
• Abstract要約: AIアクセラレータの需要は、ラック電力密度を急速に増加させており、2027年までにはデプロイメント当たり1MWに近づいた。 電力密度が増加するにつれて、異なるターゲット密度のために設計されたデータセンターは、その配信階層が設定したすべての電力を使用できない可能性がある。 本稿では,スループット,電力,コストの計測値を用いたデータセンターの電力供給設計を評価するためのフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 4.15652461187777
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Demand for AI accelerators is rapidly increasing rack power density, with projections approaching 1MW per deployment by 2027. This poses a major challenge for datacenter power delivery designers. As power densities increase, a datacenter designed for a different target density may strand power, i.e., may be unable to use all the power that its delivery hierarchy has provisioned. Designs must remain efficient over long datacenter lifetimes and multiple hardware generations. Power utilization is particularly important as grid power capacity is a scarce resource in the AI era. Designing an efficient power delivery hierarchy for the long run is difficult because rack placement feasibility, workload impact, and cost depend jointly on electrical topology, deployment granularity, placement policy, power oversubscription, and workload mix. Moreover, each of these factors evolve over time, have inter-dependencies across multiple resource dimensions, and generally do not lend themselves to closed-form analysis. To address this challenge, we develop a framework for evaluating datacenter power delivery designs using throughput, power, and cost metrics over realistic arrival, oversubscription, and decommissioning sequences. The framework combines projection models for GPU, compute, and storage deployments with operational factors grounded in production data from Microsoft Azure. Our results show that multi-resource stranding materially changes deployable capacity, effective capital expenditure, and delivered performance, and quantify how rising density from rack- and pod-scale AI systems shapes these outcomes. For AI datacenter design, the relevant planning objective is not installed megawatts, but deployable capacity over time.
• Abstract（参考訳）: AIアクセラレータの需要は、ラック電力密度を急速に増加させており、2027年までにはデプロイメント当たり1MWに近づいた。 これはデータセンターの電力供給設計者にとって大きな課題となる。 電力密度が増加するにつれて、異なるターゲット密度のために設計されたデータセンターは、その配信階層が設定したすべての電力を使用できない可能性がある。 設計は長いデータセンター寿命と複数のハードウェア世代にわたって効率的でなければならない。 グリッド電力容量はAI時代において不足するリソースであるため、電力利用は特に重要である。 ラック配置の実現可能性、ワークロードの影響、コストは、電気的トポロジ、デプロイメントの粒度、配置ポリシー、電力オーバーサブスクライブ、ワークロードミックスに大きく依存するため、長期にわたって効率的な電力供給階層を設計することは困難である。 さらに、これらの因子は時間とともに進化し、複数の資源次元にまたがる相互依存性を持ち、一般に閉形式解析には依存しない。 この課題に対処するために、スループット、電力、コストメトリクスを用いてデータセンターの電力供給設計を評価するためのフレームワークを開発する。 このフレームワークは、GPU、計算、ストレージデプロイメントのプロジェクションモデルと、Microsoft Azureの運用データに基づく運用上の要因を組み合わせたものだ。 以上の結果から,複数リソースのストランドリングは,デプロイ能力,有効資本支出,納入性能を大きく変化させ,ラックスケールとポッドスケールのAIシステムからの密度上昇が,これらの結果をどのように形成するかを定量的に示す。 AIデータセンター設計では、関連する計画目的はメガワットではなく、時間とともに展開可能な能力である。

関連論文リスト

• An Agentic AI Framework with Large Language Models and Chain-of-Thought for UAV-Assisted Logistics Scheduling with Mobile Edge Computing [47.615329461292504]
  クラウド製造において、無人航空機(UAV)は製品収集と移動エッジコンピューティング(MEC)の両方をサポートすることができる。 本稿では,エージェントAIによる2つのコンポーネントの最適化フレームワークを提案する。 まず,大規模言語モデル,検索拡張生成,および連鎖推論を組み合わせたエージェントAIを開発し,ユーザ入力をハイブリッドスケジューリング問題に対する解釈可能な数学的定式化に変換する。
  論文  参考訳（メタデータ） (2026-05-13T09:13:19Z)
• From Barrier to Bridge: The Case for AI Data Center/Power Grid Co-Design [6.39525307115435]
  シングル・ハイパースケールの訓練キャンパスは中規模都市に匹敵するパワーを引き出すことができる。 本稿では,計算・電力インフラの絡み合いは,暗黙の共存から明示的な共同開発への移行を必要とすることを論じる。
  論文  参考訳（メタデータ） (2026-05-04T19:08:43Z)
• Measurement of Generative AI Workload Power Profiles for Whole-Facility Data Center Infrastructure Planning [1.2396819107017578]
  本稿では,高分解能負荷電力測定と全能エネルギー需要を結びつけることでギャップを埋める手法を提案する。 我々は、AIトレーニング、微調整、推論ジョブのための0.1秒の解像度でAIワークロードの消費電力を測定する。 結果として生じる全ファシリティエネルギープロファイルは、AIワークロードとユーザビヘイビアによって駆動される現実的な時間的変動をキャプチャする。
  論文  参考訳（メタデータ） (2026-04-08T17:56:41Z)
• 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)
• Improving AI Efficiency in Data Centres by Power Dynamic Response [74.12165648170894]
  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。
  論文  参考訳（メタデータ） (2025-10-13T08:08:21Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• 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)
• 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)

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。