論文の概要: AI-driven Thermal-aware Data Center Capacity Planning

• arxiv url: http://arxiv.org/abs/2610.02442v1
• Date: Thu, 01 Oct 2026 20:09:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.075638
• Title: AI-driven Thermal-aware Data Center Capacity Planning
• Title（参考訳）: AI駆動型サーマルアウェアデータセンター容量計画
• Abstract要約: この研究は、現実世界のデータセンターに数秒でサーマルアウェアのキャパシティプランニングを実行できるAI駆動のフレームワークを提示している。 組み込みAIモデルは、多数のキーパラメータから学習し、ミリ秒以内の温度予測を提供する。 AIモデルに基づいて、著者らは熱対応キャパシティ計画フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 1.5011439034946077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emerging of large language models (LLMs) has posed significant challenges to the thermal management of data center. Intense GPU computation for LLMs results in localized hotspots. Moreover, spiking thermal loads during training and inference bursts make real-time cooling response more difficult to predict and control. Thermal-aware capacity planning of data center requires massive expensive high-fidelity CFD simulations. AI models can perform real-time prediction for unseen designs. However, existing works either have large prediction error, or have over-simplified assumptions for data center operations. This work presents an AI-driven framework that can perform thermal-aware capacity planning for a real-world data center in seconds. The embedded AI model learns from numerous key parameters (rack power, server power, server placement, HVAC settings etc.), and provides temperature prediction within milliseconds. This AI model is tested against high-fidelity CFD simulations, and results show that for unseen data center designs, model can achieve high accuracy with 10000X speedup. Driven by the AI model, the authors design the thermal-aware capacity planning framework. This framework can help data center designers and operators instantaneously optimize both workload distribution and HVAC cooling efficiency.
• Abstract（参考訳）: 大規模言語モデル(LLM)の出現は、データセンターの熱管理に重大な課題をもたらした。 LLMのインセンスGPU計算は、ローカライズされたホットスポットをもたらす。 さらに、トレーニングと推論バースト中に熱負荷を吐き出すことにより、リアルタイム冷却応答の予測と制御がより困難になる。 データセンターの熱対応容量計画には、高価なCFDシミュレーションが必要である。 AIモデルは、目に見えない設計のリアルタイム予測を実行することができる。 しかし、既存の作業には大きな予測エラーがあるか、データセンターの操作に対して過度に単純化された仮定がある。 この研究は、現実世界のデータセンターに数秒でサーマルアウェアのキャパシティプランニングを実行できるAI駆動のフレームワークを提示している。 組み込みAIモデルは、多数のキーパラメータ(ラックパワー、サーバパワー、サーバ配置、HVAC設定など)から学習し、ミリ秒以内の温度予測を提供する。 このAIモデルは、高忠実度CFDシミュレーションに対してテストされ、その結果、目に見えないデータセンターの設計では、モデルは10000倍のスピードアップで高い精度を達成できることが示された。 AIモデルに基づいて、著者らは熱対応キャパシティ計画フレームワークを設計する。 このフレームワークは、データセンターの設計者やオペレーターがワークロードの分散とHVAC冷却効率の両方を瞬時に最適化するのに役立つ。

関連論文リスト

• DataCenterGym: A Physics-Grounded Simulator for Multi-Objective Data Center Scheduling [0.8602553195689513]
  textitDataCenterGymは,地理分散データセンターにおけるジョブスケジューリングのための物理地上シミュレーション環境である。 シミュレータは計算キュー、熱力学の構築、局所的なHVAC挙動、温度依存性のサービス劣化を統合する。 本研究では,熱力学と電力力学を明示的に考慮しつつ,分散ジョブ配置を行う階層型モデル予測制御(H-MPC)スケジューリングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-04-17T00:28:25Z)
• A Physics-Aware Framework for Short-Term GPU Power Forecasting of AI Data Centers [7.256390775982009]
  本稿では,今後5～80分でAIデータセンターの電力利用を正確に予測できる物理インフォームド時系列モデルを提案する。 このモデルは、実際のAIデータセンタデータセットでトレーニングされ、評価され、テストされた最先端(SOTA)モデルよりも正確である。 SOTAトランスおよび非トランスフォーマーベースのモデルと比較して、予測精度の改善はMSEの0.782%-39.08%、MAEの0.993%-51.82%、RMSEの0.370%-22.28%である。
  論文  参考訳（メタデータ） (2026-04-14T04:14:32Z)
• Fast 3D Surrogate Modeling for Data Center Thermal Management [15.644716872105002]
  従来の熱CFDソルバは計算コストが高く、熟練したメッシュと境界条件を必要とする。 我々は,データセンタの3次元ボキセル化表現を直接操作する視覚ベースの代理モデリングフレームワークを開発した。 以上の結果から,サロゲートモデルはデータセンター構成全体にわたって一般化し,最大2万倍の高速化を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-11-13T02:12:24Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• PyDCM: Custom Data Center Models with Reinforcement Learning for Sustainability [2.6429542504022314]
  PyDCMは、Pythonで実装されたカスタマイズ可能なデータセンターモデルである。 ベクトル化熱計算を用いることで、PyDCMのオーダーは現在のEnergy Plusのモデリング実装よりも桁違いに速い(30倍)。
  論文  参考訳（メタデータ） (2023-10-05T21:24:54Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• A Sequential Modelling Approach for Indoor Temperature Prediction and Heating Control in Smart Buildings [4.759925918369102]
  本稿では,室内温度の予測にデータ駆動統計手法を逐次適用するための学習ベースフレームワークを提案する。 実験では、モデリングアプローチと制御アルゴリズムの有効性を実証し、スマートビルディングアプリケーションにおける混合データ駆動アプローチの有望な可能性を明らかにする。
  論文  参考訳（メタデータ） (2020-09-21T13:20:27Z)

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。