AI 驱动的热感知数据中心容量规划

arXiv:2610.02442v1 公告类型：新 摘要：大型语言模型（LLMs）的兴起给数据中心的热管理带来了重大挑战。LLMs 的高强度 GPU 计算会导致局部热点。此外，训练和推理突发期间骤增的热负载使实时冷却响应更加难以预测和控制。数据中心的热感知容量规划需要大量昂贵的高保真 CFD 仿真。AI 模型能够对未见过的设计进行实时预测。然而，现有工作要么预测误差较大，要么对数据中心运行采用了过度简化的假设。本文提出了一种 AI 驱动的框架，可在数秒内为真实数据中心执行热感知容量规划。该框架中的 AI 模型从众多关键参数（机架功率、服务器功率、服务器布局、HVAC 设置等）中学习，并在毫秒级内提供温度预测。该 AI 模型通过高保真 CFD 仿真进行测试，结果表明，对于未见过的数据中心设计，该模型能够实现高准确率，并将速度提升 10000 倍。在该 AI 模型的驱动下，作者设计了热感知容量规划框架。该框架能够帮助数据中心设计人员和运营人员即时优化工作负载分配和 HVAC 冷却效率。