論文の概要: Speed-to-Power Dominates Energy Costs for AI Data Centers: Technoeconomic Analysis of Powering AI in the Continental United States
- arxiv url: http://arxiv.org/abs/2611.17098v1
- Date: Thu, 12 Nov 2026 16:58:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.559503
- Title: Speed-to-Power Dominates Energy Costs for AI Data Centers: Technoeconomic Analysis of Powering AI in the Continental United States
- Title(参考訳): AIデータセンターにおけるスピード・トゥ・パワーのエネルギーコスト--米国大陸における電力AIの技術経済分析
- Abstract要約: グリッド接続型およびオフグリッド型データセンターエネルギーインフラを米国大陸全体で比較する。
私たちの中心的な貢献は、高速な構築によってアンロックされたコンピュータを評価する、スピード調整されたエネルギーコストです。
AIインフラでは、単位エネルギーコストよりも配置速度が経済的に好まれる電力供給経路を決定する。
- 参考スコア(独自算出の注目度): 0.2636878168621309
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of artificial intelligence is driving demand for new data centers at large scale and on short deployment timelines. To power them, firms connect to the commercial grid or contract generation directly, but interconnection and gas-turbine delays now incentivize on-site generation. We compare grid-connected and off-grid data center energy infrastructure (AC- and DC-coupled solar-plus-storage, islanded natural gas, and grid interconnection) across the continental U.S. Using an open-source technoeconomic framework built on empirically calibrated AI training loads, climate-driven cooling, stage-by-stage power conversion, and physics-based battery degradation, we model designs providing equivalent energy services. Our central contribution is a speed-adjusted cost of energy that values the compute unlocked by faster construction, making options with different deployment timelines directly comparable on one physically consistent basis. We find DC coupling reduces lifetime energy costs by 18% ($0.09/ kWh) on average versus AC counterparts by eliminating inverters and improving efficiency. Though rarely cheapest on unadjusted energy cost, DC-coupled microgrids' faster deployment makes them the lowest-cost modeled option in 85% of U.S. locations once foregone compute is valued, or 55% under accelerated natural gas timelines. For AI infrastructure, deployment speed rather than unit energy cost determines the economically preferred path to power.
- Abstract(参考訳): 人工知能の急速な成長は、大規模および短期間のデプロイメントタイムラインにおいて、新しいデータセンターの需要を押し上げている。
それらを動かすために、企業は商業用グリッドや契約生成に直接接続するが、相互接続とガスタービンの遅延は、現在、現場での発電にインセンティブを与えている。
我々は、経験的に校正されたAIトレーニング負荷、気候駆動冷却、ステージバイステージ電力変換、物理ベースのバッテリー劣化に基づくオープンソースのテクノコノミクスフレームワークを用いて、米国中のグリッド接続型およびオフグリッド型データセンターエネルギーインフラ(AC-およびDC結合型ソーラープラスストレージ、島型天然ガス、グリッド接続)を比較し、等価エネルギーサービスを提供する設計をモデル化する。
私たちの中心的なコントリビューションは、高速な構成によってアンロックされたコンピュータを評価する、スピード調整されたエネルギーコストです。
直流結合は, インバータを除去し, 効率を向上することにより, 平均寿命エネルギーコストを18%(0.09/kWh)削減する。
調整されていないエネルギーコストが最も安いことは稀だが、直流結合型マイクログリッドの高速展開により、前兆計算が評価されると、米国の85%の場所において、より安価なモデルが選択される。
AIインフラでは、単位エネルギーコストよりも配置速度が経済的に好まれる電力供給経路を決定する。
関連論文リスト
- Certificates without Electrons? Theory and Evidence on Impacts from AI-Driven Power Demand [13.517448244057134]
現在、データセンターは米国の電力需要の4.4%を占めている。
我々は、データセンターオペレータがREC、PPA、および後方容量を選択するゲーム理論モデルを開発する。
エッジ推論,空間的再配置,コロケーションストレージがグリッドの影響を大幅に軽減することを示す。
論文 参考訳(メタデータ) (2026-05-30T16:57:05Z) - Ego-METAS: Egocentric online Multimodal Energy-efficient Temporal Action Segmentation benchmark [56.84575992325538]
Ego-METASは、最初のオンラインマルチモーダルエネルギ-エネルギ-エネルギ-エネルギ-エネルギ-テンポラルアクションベンチマークである。
Ego-METASは、EgoExo4D、CMU-MMAC、CaptainCook4Dの100時間以上の未編集エゴセントリックビデオの統一テストベッドである。
オンラインの時間的行動セグメンテーションタスクを定式化し、モデルが各タイミングでどのセンサーを起動するかを動的に選択する必要がある。
評価の結果、最適ルーティングはシナリオに依存しており、既存のポリシー学習手法は、主にトリミングされたクリップ用に設計されており、継続的な、トリミングされていない環境への適応に苦慮していることがわかった。
論文 参考訳(メタデータ) (2026-05-29T17:36:10Z) - 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) - 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) - 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) - 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) - Spatio-temporal load shifting for truly clean computing [0.5857582826810999]
本研究では、時間と場所の双方において、コンピュータジョブのシフトと関連する電力負荷の影響について検討する。
我々は,ロードブルティの情報利用に関連する3つの信号を分離した。
24/7 CFEのコストは1.29$pm$0.07 EUR/MWhに削減される。
論文 参考訳(メタデータ) (2024-03-26T13:36:42Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-17T02:12:30Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳(メタデータ) (2021-03-18T16:04:42Z) - Exploring market power using deep reinforcement learning for intelligent
bidding strategies [69.3939291118954]
キャパシティが1年の平均的な電力価格に影響を及ぼすことがわかりました。
$sim$25%と$sim$11%の値は、市場構造と国によって異なる可能性がある。
平均市場価格の約2倍の市場上限の使用は、この効果を著しく減少させ、競争力のある市場を維持する効果があることを観察する。
論文 参考訳(メタデータ) (2020-11-08T21:07:42Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳(メタデータ) (2020-01-22T00:51:03Z)
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。