面向可持续数据中心运营的多物理信息机器学习：计算基础设施的智能演化与可部署解决方案
人工智能
2026-02-05 v2 机器学习
摘要
人工智能 (AI) 的革命带来了数据中心管理的可持续挑战，由于高功率密度机架的高碳排放和短冷却响应时间。尽管机器学习 (ML) 在智能管理方面前景广阔，但其采用的安全性和可靠性 concerns 仍是障碍。为此，我们提出一种多物理信息机器学习 (MPIML) 框架，将物理先验引入数据驱动模型以提高准确性和安全性。我们引入一个集成系统架构，包含三个核心引擎：用于灵活设施建模的 DCLib、用于高保真多物理仿真的 DCTwin，以及用于决策优化的 DCBrain。该系统使我们能够进行关键的预测和预criptive 应用，如碳感知 IT 配备、安全感知的智能冷却控制和电池健康预测。一个针对行业级数据中心冷却控制的示例表明，我们的 MPIML 方法在确保满足运行约束的同时，可减少约 200 万吨年碳排放。我们总结了发展自主和可持续数据中心的关键挑战和未来方向。
引用
@article{arxiv.2505.19414,
title = {Toward Multiphysics-Informed Machine Learning for Sustainable Data Center Operations: Intelligence Evolution with Deployable Solutions for Computing Infrastructure},
author = {Ruihang Wang and Qingang Zhang and Yonggang Wen and Stuart Kennedy},
journal= {arXiv preprint arXiv:2505.19414},
year = {2026}
}