亚搏体育投注DeepMind人工智能将谷歌数据中心的冷却费用降低了40%。

从智能手机助手到图像识别和翻译,机器学习已经帮助我们的日常生活。但它也可以帮助我们解决一些世界上最具挑战性的物理问题,如能源消耗。像数据中心这样的大型商业和工业系统消耗大量能源,虽然已经做了很多事情遏制能源使用的增长,鉴于世界对计算能力的需求日益增长,还有很多工作要做。

在过去的10年里,减少能源使用一直是我们的主要关注点:我们已经建立了自己的超高效服务器在谷歌,发明更有效的冷却数据中心的方法投入巨资绿色能源,以100%的可再生能源为目标。与五年前相比,我们现在从同样的能量中得到大约3.5倍的计算能力,我们每年都在不断地改进。

重大突破,然而,两者之间的差距很小——这就是为什么我们很高兴将DeepMind的机器学习应用于我们自己的谷歌数据中心,亚搏体育投注我们已经设法将用于冷却的能量减少了40%。在任何大规模的能源消耗环境中,这将是一个巨大的进步。鉴于谷歌的数据中心已经相当复杂,这是一个惊人的进步。

这对谷歌的数据中心来说意义重大,考虑到它的潜力,可以大大提高能源效率并整体减少排放。这也将帮助其他在谷歌云上运行的公司提高自身的能源效率.虽然谷歌只是世界上众多数据中心运营商之一,许多国家并不像我们那样依靠可再生能源。数据中心效率的每一次提高都会减少对我们环境的总排放量,并使用DeepMind等技术,亚搏体育投注我们可以利用机器学习来减少能源消耗,并帮助解决最大的挑战之一——气候变化。

数据中心环境中的主要能源使用之一是冷却。就像你的笔记本电脑产生大量热量一样,我们的数据中心——包括支持谷歌搜索的服务器,GmailYouTube等。--同时也会产生大量的热量,必须除去这些热量才能保持服务器的运行。这种冷却通常是通过大型工业设备完成的,如泵,冷却器和冷却塔。然而,像数据中心这样的动态环境使得优化操作变得困难,原因有几个:

  1. 设备,我们如何操作这些设备,环境相互作用复杂,非线性方式。传统的基于公式的工程和人类直觉往往无法捕捉到这些交互作用。
  2. 系统无法快速适应内部或外部变化(如天气)。这是因为我们不能为每个操作场景制定规则和启发式方法。
  3. 每个数据中心都有一个独特的体系结构和环境。一个系统的自定义优化模型可能不适用于另一个系统。因此,需要一个通用的智能框架来理解数据中心的交互。

为了解决这个问题,我们开始申请机器学习两年前,为了更有效地运营我们的数据中心。在过去的几个月里,亚搏体育投注Deeyabo网球pMind研究人员开始与谷歌的数据中心团队合作,以显著提高系统的实用性。使用在我们的数据中心内针对不同操作场景和参数进行培训的神经网络系统,我们创建了一个更高效和适应性更强的框架来了解数据中心动态和优化效率。

我们通过获取数据中心内数千个传感器已经收集的历史数据(如温度数据)来实现这一目标。权力,泵转速,设定点,等。--并用它训练一组深层神经网络。因为我们的目标是提高数据中心的能源效率,我们对神经网络进行了未来平均能量利用效率(pue)的训练。即建筑总用能与IT用能之比。然后,我们又训练了两组深度神经网络,以预测未来一小时内数据中心的温度和压力。这些预测的目的是模拟来自PUE模型的建议操作,以确保我们不超出任何操作限制。

我们通过在实时数据中心部署来测试我们的模型。下图显示了典型的测试日,包括当我们打开机器学习建议时,当我们关掉它们的时候。

全屏幕 全屏移动

我们的机器学习系统能够持续地将用于冷却的能量减少40%,这相当于在考虑了电力损失和其他非冷却效率低下的情况下,整体PUE开销减少了15%。它也产生了有史以来最低的pue。

因为该算法是理解复杂动力学的通用框架,我们计划在未来几个月内将其应用于数据中心环境以及其他方面的挑战。这种技术的可能应用包括提高发电厂的转换效率(从相同的输入单位获得更多的能量)。减少半导体制造能源和用水,或者帮助制造厂提高生产能力。

我们正计划更广泛地推广这一系统,并将在即将出版的出版物中分享我们的做法,因此,其他数据中心和工业系统运营商——以及最终的环境——可以从这一重大进步中获益。