การนำปัญญา ประดิษฐ์มาประยุกต์ใช้กับระบบ ทำความเย็น ของศูนย์ ข้อมูล ถือเป็นนวัตกรรมที่สำคัญที่สุดประการหนึ่งในการปรับปรุงประสิทธิภาพการใช้พลังงานในภาคอุตสาหกรรม
ระบบอัตโนมัติที่พัฒนาโดย Google DeepMind ซึ่งเปิดใช้งานตั้งแต่ปี 2018 ได้แสดงให้เห็นว่า AI สามารถเปลี่ยนแปลงการจัดการความร้อนของโครงสร้างพื้นฐานที่สำคัญได้อย่างไร และบรรลุผลลัพธ์ที่เป็นรูปธรรมในแง่ของประสิทธิภาพการทำงาน
ศูนย์ข้อมูลสมัยใหม่ใช้พลังงานมหาศาล โดยระบบทำความเย็นคิดเป็นประมาณ 10% ของปริมาณการใช้ไฟฟ้าทั้งหมด จากข้อมูลของโจนาธาน คูมีย์ ผู้เชี่ยวชาญด้านประสิทธิภาพพลังงานระดับโลก ทุก ๆ ห้านาที ระบบ AI บนคลาวด์ของ Google จะบันทึกภาพระบบทำความเย็นจากเซ็นเซอร์หลายพันตัว เพื่อวิเคราะห์ความซับซ้อนในการปฏิบัติงานที่ท้าทายวิธีการควบคุมแบบเดิม
ระบบทำความเย็น AI ของ Google ใช้เครือข่ายประสาทเทียมเชิงลึกเพื่อคาดการณ์ผลกระทบของการผสมผสานการกระทำต่างๆ ที่มีต่อการใช้พลังงานในอนาคต โดยระบุการกระทำที่จะช่วยลดการใช้พลังงานลงได้ พร้อมทั้งปฏิบัติตามข้อจำกัดด้านความปลอดภัยที่เข้มงวด DeepMind AI ลดค่าไฟฟ้าศูนย์ข้อมูลของ Google ลง 40% - Google DeepMind
ผลลัพธ์ที่ได้จากการปรับประสิทธิภาพการทำความเย็นให้เหมาะสมนั้นมีความสำคัญอย่างยิ่ง ระบบสามารถ ลดการใช้พลังงานในการทำความเย็นได้อย่างต่อเนื่องถึง 40% อย่างไรก็ตาม เมื่อพิจารณาว่าการทำความเย็นคิดเป็นประมาณ 10% ของการใช้พลังงานทั้งหมด นั่นหมายความว่าศูนย์ข้อมูลสามารถประหยัดพลังงานโดยรวมได้ประมาณ 4%
ตาม เอกสารทางเทคนิคต้นฉบับของ Jim Gao เครือข่ายประสาทเทียมบรรลุข้อผิดพลาดสัมบูรณ์เฉลี่ยที่ 0.004 และค่าเบี่ยงเบนมาตรฐานที่ 0.005 ซึ่งเทียบเท่ากับข้อผิดพลาด 0.4% สำหรับ PUE ที่ 1.1
การนำระบบ AI ไปใช้ได้รับการยืนยันอย่างเป็นทางการใน ศูนย์ข้อมูลเฉพาะสามแห่ง :
สิงคโปร์ : การปรับใช้งานครั้งสำคัญครั้งแรกในปี 2559 โดยศูนย์ข้อมูลใช้น้ำรีไซเคิลเพื่อการทำความเย็น และแสดงให้เห็นถึงการลดการใช้พลังงานในการทำความเย็นลง 40%
Eemshaven ประเทศเนเธอร์แลนด์ : ศูนย์ข้อมูลแห่งนี้ใช้น้ำระดับอุตสาหกรรมและใช้น้ำไป 232 ล้านแกลลอนในปี 2023 Marco Ynema หัวหน้าไซต์ของศูนย์แห่งนี้ ดูแลการดำเนินงานที่ศูนย์ขั้นสูงแห่งนี้
เคาน์ซิลบลัฟส์ รัฐไอโอวา : MIT Technology Review ได้นำเสนอศูนย์ข้อมูลเคาน์ซิลบลัฟส์โดยเฉพาะในระหว่างการหารือเกี่ยวกับระบบ AI กูเกิลได้ลงทุน 5 พันล้านดอลลาร์สหรัฐในสองวิทยาเขตเคาน์ซิลบลัฟส์ ซึ่งคาดว่าจะใช้น้ำ 980.1 ล้านแกลลอนในปี 2023
ปัจจุบันระบบควบคุม AI ที่ใช้ระบบคลาวด์ได้ดำเนินการแล้วและช่วยประหยัดพลังงานในศูนย์ข้อมูลของ Google หลายแห่ง แต่ บริษัท ไม่ได้เปิดเผยรายชื่อสิ่งอำนวยความสะดวกทั้งหมดที่ใช้เทคโนโลยีนี้
ตาม สิทธิบัตร US20180204116A1 ระบบใช้ สถาปัตยกรรมการเรียนรู้เชิงลึก ที่มีคุณลักษณะทางเทคนิคที่แม่นยำ:
สถาปัตยกรรมนี้ใช้ Model Predictive Control ร่วมกับโมเดล ARX เชิงเส้นที่ ผสานรวมกับเครือข่ายประสาทเทียมเชิงลึก เครือข่ายประสาทเทียมไม่จำเป็นต้องให้ผู้ใช้กำหนดปฏิสัมพันธ์ระหว่างตัวแปรในโมเดลล่วงหน้า แต่เครือข่ายประสาทเทียมจะค้นหารูปแบบและปฏิสัมพันธ์ระหว่างฟีเจอร์ต่างๆ เพื่อสร้างแบบจำลองที่เหมาะสมที่สุดโดยอัตโนมัติ
PUE แสดงถึงประสิทธิภาพการใช้พลังงานพื้นฐาน ของศูนย์ข้อมูล:
PUE = พลังงานศูนย์ข้อมูลทั้งหมด / พลังงานอุปกรณ์ไอที
Google ได้รับการรับรองมาตรฐาน ISO 50001 สำหรับการจัดการพลังงาน ซึ่งรับรองมาตรฐานการปฏิบัติงานที่เข้มงวด แต่ไม่ได้ตรวจสอบประสิทธิภาพของระบบ AI โดยเฉพาะ
หัวใจสำคัญของนวัตกรรมนี้คือ การควบคุมเชิงคาดการณ์ ที่คาดการณ์อุณหภูมิและแรงดันของศูนย์ข้อมูลในอนาคตภายในหนึ่งชั่วโมงข้างหน้า โดยจำลองการดำเนินการที่แนะนำเพื่อให้แน่ใจว่าจะไม่เกินข้อจำกัดในการปฏิบัติงาน
หลังจากการลองผิดลองถูก แบบจำลองเหล่านี้มีความแม่นยำถึง 99.6% ใน การทำนาย PUE ความแม่นยำนี้ช่วยให้สามารถเพิ่มประสิทธิภาพได้ในระดับที่ไม่สามารถทำได้ด้วยวิธีการแบบเดิม ในขณะเดียวกันก็จัดการปฏิสัมพันธ์แบบไม่เชิงเส้นที่ซับซ้อนระหว่างระบบกลไก ไฟฟ้า และสิ่งแวดล้อมได้
สิ่งสำคัญประการหนึ่งคือ ความสามารถในการเรียนรู้เชิงวิวัฒนาการ ตลอดระยะเวลาเก้าเดือน ประสิทธิภาพของระบบเพิ่มขึ้นจาก 12% ในช่วงเริ่มต้นการใช้งาน เป็นประมาณ 30%
Dan Fuenffinger ผู้ให้บริการ Google ให้ความเห็นว่า "เป็นเรื่องน่าเหลือเชื่อที่ได้เห็น AI เรียนรู้ที่จะใช้ประโยชน์จากสภาพอากาศในฤดูหนาวและสร้างน้ำที่เย็นกว่าปกติ กฎเกณฑ์ไม่ได้ดีขึ้นเมื่อเวลาผ่านไป แต่ AI ดีขึ้น"
ระบบจะจัดการ พารามิเตอร์การทำงานที่สำคัญ 19 รายการ พร้อมกัน:
ความปลอดภัยในการปฏิบัติงานได้รับการรับรองผ่าน กลไกที่ซ้ำซ้อน การดำเนินการที่เหมาะสมที่สุดที่คำนวณโดย AI จะได้รับการตรวจสอบเทียบกับรายการข้อจำกัดด้านความปลอดภัยภายในที่ผู้ปฏิบัติงานกำหนดไว้ เมื่อส่งไปยังศูนย์ข้อมูลจริงแล้ว ระบบควบคุมภายในจะตรวจสอบคำสั่งอีกครั้ง DeepMind AI ช่วยลดการใช้พลังงานในการทำความเย็นศูนย์ข้อมูลของ Google ลง 40%
ผู้ปฏิบัติการยังคงควบคุมได้ตลอดเวลาและสามารถออกจากโหมด AI ได้ตลอดเวลา โดยเปลี่ยนไปสู่กฎเกณฑ์ดั้งเดิมได้อย่างราบรื่น
อุตสาหกรรมตระหนักถึงข้อจำกัดของประสิทธิภาพการใช้พลังงานในฐานะตัวชี้วัด ผลสำรวจของ Uptime Institute ในปี 2014 พบว่า 75% ของผู้เข้าร่วมเชื่อว่าอุตสาหกรรมจำเป็นต้องมีตัวชี้วัดประสิทธิภาพใหม่ ปัญหาต่างๆ ได้แก่ อคติทางสภาพภูมิอากาศ (ไม่สามารถเปรียบเทียบสภาพภูมิอากาศที่แตกต่างกันได้) การจัดการเวลา (การวัดในสภาวะที่เหมาะสมที่สุด) และการยกเว้นส่วนประกอบ
ศูนย์ข้อมูลแต่ละแห่งมีสถาปัตยกรรมและสภาพแวดล้อมที่เป็นเอกลักษณ์ แบบจำลองที่ปรับแต่งเฉพาะสำหรับระบบหนึ่งอาจไม่สามารถนำไปใช้กับอีกระบบหนึ่งได้ จึงจำเป็นต้องใช้กรอบการทำงานแบบอัจฉริยะทั่วไป
ความแม่นยำของแบบจำลองขึ้นอยู่กับ คุณภาพและปริมาณของข้อมูลอินพุต โดยทั่วไปแล้ว ข้อผิดพลาดของแบบจำลองจะเพิ่มขึ้นสำหรับค่า PUE ที่สูงกว่า 1.14 เนื่องจากข้อมูลฝึกอบรมที่เกี่ยวข้องมีไม่เพียงพอ
ไม่พบการตรวจสอบอิสระจากบริษัทตรวจสอบบัญชีรายใหญ่หรือห้องปฏิบัติการระดับชาติ และ Google "ไม่ได้ดำเนินการตรวจสอบจากบุคคลที่สาม" เกินกว่าข้อกำหนดขั้นต่ำของรัฐบาลกลาง
ในปี 2024-2025 Google ได้เปลี่ยนจุดเน้นอย่างมากไปที่:
การเปลี่ยนแปลงนี้บ่งชี้ว่าการเพิ่มประสิทธิภาพ AI ได้ถึง ขีดจำกัดในทางปฏิบัติสำหรับภาระความร้อนของแอปพลิเคชัน AI สมัยใหม่แล้ว
การเพิ่มประสิทธิภาพ AI เพื่อการระบายความร้อน มีการประยุกต์ใช้ที่กว้างขวางนอกเหนือจากศูนย์ข้อมูล:
การประหยัดพลังงานบนระบบทำความเย็น แปลว่า:
ระยะที่ 1 - การประเมิน : การตรวจสอบพลังงานและการทำแผนที่ระบบที่มีอยู่ ระยะที่ 2 - โครงการนำร่อง : การทดสอบในสภาพแวดล้อมที่มีการควบคุมบนพื้นที่จำกัด ระยะที่ 3 - การปรับใช้ : การเปิดตัวแบบก้าวหน้าพร้อมการตรวจสอบแบบเข้มข้น ระยะที่ 4 - การเพิ่มประสิทธิภาพ : การปรับแต่งอย่างต่อเนื่องและการขยายกำลังการผลิต
ศูนย์ข้อมูลสามแห่งได้รับการยืนยันอย่างเป็นทางการแล้ว ได้แก่ สิงคโปร์ (ติดตั้งครั้งแรกในปี 2016), Eemshaven ในเนเธอร์แลนด์ และ Council Bluffs ในรัฐไอโอวา ระบบนี้ใช้งานอยู่ในศูนย์ข้อมูลของ Google หลายแห่ง แต่รายชื่อทั้งหมดไม่เคยเปิดเผยต่อสาธารณะ
ระบบนี้ช่วยลดการใช้พลังงานในการทำความเย็นได้ถึง 40% โดยเมื่อพิจารณาว่าการทำความเย็นคิดเป็นประมาณ 10% ของการใช้พลังงานทั้งหมด การใช้พลังงานโดยรวมจึงอยู่ที่ประมาณ 4% ของการใช้พลังงานทั้งหมดของศูนย์ข้อมูล
ระบบมีความแม่นยำ 99.6% ในการคาดการณ์ PUE โดยมีความคลาดเคลื่อนสัมบูรณ์เฉลี่ย 0.004 ± 0.005 ซึ่งเทียบเท่ากับความคลาดเคลื่อน 0.4% สำหรับ PUE ที่ 1.1 หาก PUE จริงคือ 1.1 AI จะคาดการณ์ได้ระหว่าง 1.096 ถึง 1.104
ระบบนี้ใช้การตรวจสอบสองระดับ: ขั้นแรก AI จะตรวจสอบข้อจำกัดด้านความปลอดภัยที่ผู้ปฏิบัติงานกำหนดไว้ จากนั้นระบบภายในจะตรวจสอบคำสั่งอีกครั้ง ผู้ปฏิบัติงานสามารถปิดใช้งานการตรวจสอบ AI และกลับไปใช้ระบบเดิมได้ตลอดเวลา
โดยทั่วไปการนำไปปฏิบัติจะใช้เวลา 6-18 เดือน โดยใช้เวลา 3-6 เดือนสำหรับการรวบรวมข้อมูลและการฝึกอบรมแบบจำลอง 2-4 เดือนสำหรับการทดสอบนำร่อง และ 3-8 เดือนสำหรับการปรับใช้แบบแบ่งระยะ ความซับซ้อนอาจแตกต่างกันอย่างมากขึ้นอยู่กับโครงสร้างพื้นฐานที่มีอยู่
จำเป็นต้องมีทีมสหวิทยาการที่มีความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูล/ปัญญาประดิษฐ์ (AI) วิศวกรรม HVAC การจัดการสิ่งอำนวยความสะดวก ความปลอดภัยทางไซเบอร์ และการบูรณาการระบบ หลายบริษัทเลือกที่จะร่วมมือกับผู้จำหน่ายเฉพาะทาง
ใช่ AI เรียนรู้โดยอัตโนมัติเพื่อใช้ประโยชน์จากสภาพแวดล้อมตามฤดูกาล เช่น การผลิตน้ำเย็นในฤดูหนาวเพื่อลดพลังงานความเย็น ระบบ จะปรับปรุงอย่างต่อเนื่องโดยการรับรู้รูปแบบเวลาและสภาพภูมิอากาศ
ศูนย์ข้อมูลแต่ละแห่งมีสถาปัตยกรรมและสภาพแวดล้อมเฉพาะตัว ซึ่งจำเป็นต้องมีการปรับแต่งอย่างมาก ความซับซ้อนของการใช้งาน ความต้องการข้อมูลเฉพาะ และความเชี่ยวชาญที่จำเป็น ทำให้การตลาดทางตรงเป็นเรื่องยาก หลังจากผ่านไปแปดปี เทคโนโลยีนี้ยังคงอยู่ภายใต้การดูแลของ Google แต่เพียงผู้เดียว
ไม่พบการตรวจสอบอิสระจากบริษัทตรวจสอบบัญชีรายใหญ่ (Deloitte, PwC, KPMG) หรือห้องปฏิบัติการระดับชาติ Google ได้รับการรับรองมาตรฐาน ISO 50001 แต่ "ไม่ดำเนินการตรวจสอบโดยบุคคลที่สาม" เกินกว่าข้อกำหนดขั้นต่ำของรัฐบาลกลาง
แน่นอน การปรับประสิทธิภาพระบบทำความเย็นด้วย AI สามารถนำไปประยุกต์ใช้กับโรงงานอุตสาหกรรม ศูนย์การค้า โรงพยาบาล สำนักงาน และอาคารใดๆ ที่มีระบบ HVAC ที่ซับซ้อน หลักการของการปรับประสิทธิภาพแบบหลายตัวแปรและการควบคุมเชิงพยากรณ์สามารถนำไปประยุกต์ใช้ได้อย่างกว้างขวาง
ระบบระบายความร้อน AI DeepMind ของ Google ถือเป็นความก้าวหน้าทางวิศวกรรมที่นำไปสู่การปรับปรุงที่ดีขึ้นทีละเล็กทีละน้อยภายในขอบเขตเฉพาะ สำหรับบริษัทที่ดำเนินงานโครงสร้างพื้นฐานที่ใช้พลังงานมาก เทคโนโลยีนี้มอบโอกาสที่เป็นรูปธรรมสำหรับการเพิ่มประสิทธิภาพการระบายความร้อน แม้จะมีข้อจำกัดด้านขนาดที่เน้นย้ำ
แหล่งข้อมูลสำคัญ: Jim Gao Google Research Paper , DeepMind Official Blog , MIT Technology Review , สิทธิบัตร US20180204116A1
.svg)
.svg)
.svg)
