数据中心数字孪生体的可持续性
大气与海洋物理
2024-04-18 v1
摘要
机器学习 (ML) 的快速增长导致计算需求增加，造成更大的数据中心 (DC) 及更高的能源消耗。为此和减少碳排放，智能设计和控制数据中心组件（如 IT 服务器、机柜、HVAC 冷却、灵活负载转移和电池储能）至关重要。然而，同时设计和控制这些组件的复杂性是一个重大挑战。虽然一些单一组件（如基于 CFD 的设计和基于强化学习的 HVAC 控制）已被研究，但在涵盖所有元素的整体设计和优化方面仍存在空白。为克服这一困难，我们开发了 DCRL-Green，一个多智能体强化学习环境，使 ML 社区能够设计数据中心，研究、开发和完善用于数据中心碳足迹减少的强化学习控制器。它是一个灵活、模块化、可扩展且可配置的平台，可处理大型高性能计算 (HPC) 集群。此外，在其默认设置下，DCRL-Green 提供了评估单智能体和多智能体 RL 算法的基准。它轻松允许用户子类化默认实现并设计自己的控制方法，鼓励社区为可持续数据中心进行开发。开源链接: https://github.com/HewlettPackard/dc-rl
引用
@article{arxiv.2404.10787,
title = {A Comprehensive Analysis of Hurricane Lane's (2018) Intensity},
author = {Michael Igbinoba},
journal= {arXiv preprint arXiv:2404.10787},
year = {2024}
}