論文の概要: Power-Flexible AI Data Centers: A New Paradigm for Grid-Responsive Compute
- arxiv url: http://arxiv.org/abs/2606.25098v1
- Date: Tue, 23 Jun 2026 19:13:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.12252
- Title: Power-Flexible AI Data Centers: A New Paradigm for Grid-Responsive Compute
- Title（参考訳）: パワーフレキシブルなAIデータセンター:グリッドレスコンピューティングの新しいパラダイム
- Authors: Chris Williams, Philip Colangelo, Ayse Coskun, Ethan Levine, Andy Neale, Ciaran Roberts, Shayan Sengupta, Nikhil Shirolkar, Varun Sivaram, Sarah Soares, Ethan Tiao, Scott Underwood, Daniel Wilson, Frank Sharp, Luke Wainwright, Harry Petty, Scott Wallace, Brandon Records,
- Abstract要約: 従来の電力系統計画では、大規模コンピューティング施設を柔軟性のないピーク負荷として扱い、コストのかかるインフラのアップグレードとグリッド相互接続の長い遅延につながる。
最近の研究によると、AIクラスタはソフトウェアベースのワークロードオーケストレーションによって、ピーク時の電力消費を削減できる。
粒度の細かいクラスタ電力制御のためのグリッド信号,ワークロードスケジューリング,電力テレメトリを統合したアーキテクチャについて述べる。
130kWのGPUクラスタ上の実世界のデプロイによる実験結果は、優先度ジョブのサービスレベルを保ちながら、高速な負荷削減、持続的な削減、炭素認識操作など、さまざまな形式の柔軟性を示している。
- 参考スコア（独自算出の注目度）: 0.7399816551817894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid expansion of artificial intelligence (AI) infrastructure is driving unprecedented growth in electricity demand from data centers. Traditional power-system planning treats large computing facilities as inflexible peak loads, leading to costly infrastructure upgrades and long delays in grid interconnection. Recent work has shown that AI clusters can reduce electricity consumption during peak demand through software-based workload orchestration. This article explores how modern GPU-based AI data centers can operate as grid-interactive assets that respond dynamically to power system conditions. We describe an architecture integrating grid signals, workload scheduling, and power telemetry for fine-grained cluster power control. Experimental results from a real-world deployment on a 130 kW GPU cluster demonstrate multiple forms of flexibility, including rapid load reduction, sustained curtailment, and carbon-aware operation while preserving service levels for priority jobs. We further demonstrate performance-aware load shifting across geographically distributed clusters, enabling workloads to migrate toward regions with lower grid stress. Together, these capabilities transform AI infrastructure from static electricity consumers into flexible resources that support grid reliability, accelerate interconnection, and improve computing sustainability.
- Abstract（参考訳）: 人工知能(AI)インフラの急速な拡大は、データセンターからの電力需要が前例のない成長を遂げている。
従来の電力系統計画では、大規模コンピューティング施設を柔軟性のないピーク負荷として扱い、コストのかかるインフラのアップグレードとグリッド相互接続の長い遅延につながる。
最近の研究によると、AIクラスタはソフトウェアベースのワークロードオーケストレーションによって、ピーク時の電力消費を削減できる。
この記事では、最新のGPUベースのAIデータセンターが、電力システム条件に動的に応答するグリッド-インタラクティブアセットとして機能する方法について説明する。
粒度の細かいクラスタ電力制御のためのグリッド信号,ワークロードスケジューリング,電力テレメトリを統合したアーキテクチャについて述べる。
130kWのGPUクラスタ上の実世界のデプロイによる実験結果は、優先度ジョブのサービスレベルを保ちながら、高速な負荷削減、持続的な削減、炭素認識操作など、さまざまな形式の柔軟性を示している。
さらに、地理的に分散したクラスタ間でパフォーマンスに配慮した負荷シフトを実証し、より低いグリッドストレスでワークロードをリージョンに移行できるようにします。
これらの能力は、AIインフラストラクチャを静的電気消費者から、グリッドの信頼性をサポートし、相互接続を加速し、コンピュータの持続可能性を向上させる柔軟なリソースに変換する。
関連論文リスト
- Urban Power Grid Topology and Hierarchy Identification from Open Data [53.468443050795344]
本稿では,都市電力グリッドトポロジの同定のためのオープンデータ駆動型フレームワークを開発する。
公共インフラのデータ(電力線、サブステーション、トランスフォーマー、ポール)を融合して、高電圧と中電圧のスケルトンをマッピングします。
次に、OpenStreetMap上の地理空間機械学習を活用して、電力需要クラスタをグループ化する。
我々は、7,330の建物と主要な電力インフラ資産をつなぐ完全なグリッドトポロジを再構築する。
論文 参考訳（メタデータ） (2026-06-19T11:51:38Z) - OpenG2G: A Simulation Platform for AI Datacenter-Grid Runtime Coordination [8.02974671572362]
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。
論文 参考訳（メタデータ） (2026-05-06T23:36:16Z) - 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) - 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) - 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) - 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) - Accelerating Quasi-Static Time Series Simulations with Foundation Models [36.7183558293052]
我々は、最近導入されたグリッド基礎モデルが、ニューラルパワーフローソルバの経済性を改善することを想定する。
私たちはこれらのモデルを開発し、オープンソース化するために、AIと電力グリッドコミュニティの協力を求めます。
論文 参考訳（メタデータ） (2024-11-13T14:42:32Z) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2022-11-14T01:29:09Z)
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。