DOI: https://doi.org/10.1109/mis.2026.3668406
تاريخ النشر: 2026-02-26
المؤلف: Zhiwei Cao وآخرون
الموضوع الرئيسي: الحوسبة السحابية وإدارة الموارد
نظرة عامة
تقدم ورقة البحث إطار عمل الذكاء الاصطناعي الفيزيائي (PhyAI)، المصمم لتعزيز عمليات وإدارة مراكز البيانات (DCs) في سياق الطلبات المتزايدة من الذكاء الاصطناعي والاقتصاد الرقمي. يتكون الإطار من ثلاثة مكونات رئيسية: محرك محاكاة بمستوى صناعي لمحاكاة عمليات مراكز البيانات بدقة، ومحرك ذكاء اصطناعي يستخدم NVIDIA PhysicsNemo لتدريب نماذج التعلم الآلي المستندة إلى الفيزياء (PIML)، ومنصة توأم رقمي تعتمد على NVIDIA Omniverse، والتي تدعم إطار توأم رقمي من 5 مستويات. يهدف هذا النظام المبتكر إلى رقمنة وتحسين وأتمتة عمليات مراكز البيانات، مما يسهل المراقبة والإدارة في الوقت الحقيقي.
توضح دراسة حالة فعالية الإطار من خلال تطوير نموذج بديل يتنبأ بملفات الحرارة وتدفق الهواء في مركز بيانات كبير. تشير النتائج إلى خطأ متوسط في توقع درجة الحرارة المطلقة يبلغ 0.18 °م، مما يتفوق بشكل كبير على محاكاة الديناميكا الهوائية التقليدية/نقل الحرارة (CFD/HT) من حيث السرعة، حيث تحقق تسريعًا بمقدار 10^5 مع الحفاظ على الدقة. تشير النتائج إلى أن إطار عمل PhyAI لا يعزز فقط الكفاءة التشغيلية ولكن يفتح أيضًا آفاقًا للبحث المستقبلي في مجال عمليات مراكز البيانات المستقلة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على النمو السريع في صناعة مراكز البيانات (DC)، المدفوع بالطلبات المتزايدة على خدمات الحوسبة السحابية والتخزين. يتميز هذا التوسع بمقاييس أكبر واستهلاك طاقة أعلى، مع توقعات تشير إلى أن استهلاك الطاقة لمراكز البيانات قد يصل إلى 1050 تيراوات ساعة بحلول عام 2026، ارتفاعًا من 460 تيراوات ساعة في عام 2022، وفقًا لوكالة الطاقة الدولية (IEA). تفاقم ظهور مراكز البيانات المعتمدة على وحدات معالجة الرسوميات (GPU)، خاصة لتطبيقات الذكاء الاصطناعي (AI)، تحديات كثافة الطاقة، حيث يمكن أن تصل كثافات الطاقة لكل رف إلى 50 كيلووات إلى 100 كيلووات.
تناقش الورقة التحديات المزدوجة المتمثلة في إدارة التكاليف وضمان الموثوقية في عمليات مراكز البيانات. يمكن أن تتراوح النفقات الرأسمالية (CapEx) لبناء مركز بيانات يحتوي على 100,000 وحدة معالجة رسومية من 4.5 إلى 5 مليارات دولار، مع نفقات تشغيل سنوية (OpEx) للكهرباء قد تصل إلى 400 مليون دولار. تتأثر الموثوقية، التي تقاس غالبًا بالوقت الفعلي، بعوامل سيبرانية وفيزيائية متنوعة، بما في ذلك انقطاع الطاقة غير المخطط له. تعمل عمليات مراكز البيانات الحالية بشكل أساسي بشكل تفاعلي، باستخدام أنظمة إدارة بنية تحتية لمراكز البيانات (DCIM) وآليات التحكم في التغذية الراجعة، مثل وحدات التحكم التناسبية-التكاملية-التفاضلية (PID)، التي تركز على تنظيم درجة الحرارة دون معالجة استهلاك الطاقة أو القدرات التنبؤية. لتعزيز الكفاءة التشغيلية والاستدامة، تؤكد الورقة على الحاجة إلى حلول مدعومة بالذكاء الاصطناعي يمكن أن تحسن إدارة الموارد، والتحكم في التبريد، والصيانة التنبؤية، مما يقلل من المخاطر ويمنع التوقف من خلال تحليل البيانات الاستباقي.
النتائج
تظهر نتائج التقييم فعالية النموذج البديل في توقع الخرائط الحرارية وتدفقات الهواء، كما هو موضح في الشكل 5. يظهر النموذج درجة عالية من الدقة، حيث يقتصر معظم أخطاء توقع درجة الحرارة على 2.5 °م وخطأ مطلق وسطي يبلغ 0.18 °م. بالإضافة إلى ذلك، يحقق النموذج زمن استجابة سريع للتفسير يبلغ حوالي 0.01 ثانية على وحدة معالجة رسومية واحدة من NVIDIA V100، مما يمكّن من التحليل في الوقت الحقيقي لملفات تدفق الهواء والحرارة.
تشير هذه النتائج إلى أن المشغلين العصبيين المعتمدين على المحولات يمكنهم تعلم ملفات تدفق الهواء والحرارة المعقدة وعالية الأبعاد في مراكز البيانات الكبيرة باستخدام بيانات محاكاة محدودة. تعتبر هذه القدرة مهمة بشكل خاص لتعزيز استراتيجيات الإدارة الحرارية الاستباقية في مراكز البيانات التي تتميز بكثافة طاقة عالية لكل رف، مما يمثل تقدمًا ملحوظًا في تطبيق الذكاء الاصطناعي في هذا المجال.
المناقشة
في هذا القسم، يناقش المؤلفون دمج الذكاء الاصطناعي الفيزيائي (PhyAI) في عمليات مراكز البيانات (DC)، مع تسليط الضوء على إمكانيته في تعزيز كفاءة الطاقة واستدامة العمليات. تتكون بنية مركز البيانات من أنظمة مترابطة، بما في ذلك تكنولوجيا المعلومات، والتبريد، وإمدادات الطاقة، والتي تواجه تحديات متزايدة بسبب أحمال الذكاء الاصطناعي ذات الكثافة العالية. لمواجهة هذه التحديات، يتم اعتماد أنظمة تبريد هجينة ومصادر طاقة مختلطة. ومع ذلك، فإن التنفيذ العملي لحلول الذكاء الاصطناعي في مراكز البيانات يعيقه نقص البيانات والحاجة إلى الامتثال للوائح التشغيل الصارمة. يقترح المؤلفون إطار عمل PhyAI الذي يجمع بين الذكاء الاصطناعي والأنظمة الفيزيائية، مستخدمين محاكاة عالية الدقة لتوليد بيانات اصطناعية لتدريب نماذج الذكاء الاصطناعي. يهدف هذا النهج إلى تحسين فهم الديناميات المعقدة لمراكز البيانات وتسهيل العمليات المستقلة.
يستند إطار عمل PhyAI إلى بيئة ثلاثية الأبعاد افتراضية تم إنشاؤها باستخدام NVIDIA Omniverse، مما يسمح بتوليد بيانات اصطناعية واقعية من خلال محاكاة فيزيائية متقدمة. يستخدم الإطار تقنيات التعلم الآلي المستندة إلى الفيزياء (PIML) لتعزيز تعميم النموذج، خاصة في السيناريوهات التي تحتوي على بيانات حقيقية محدودة. يحدد المؤلفون بنية الإطار، التي تشمل قدرات التحليل التنبؤي والتوجيهي، مما يمكّن الوكلاء الذكيين من تحسين عمليات مراكز البيانات من خلال التعلم العميق المعزز (DRL) والتحكم التنبؤي للنماذج (MPC). توضح دراسة حالة فعالية الإطار المقترح في تحقيق محاكاة حرارية في الوقت الحقيقي، مما يظهر إمكانيته في تحسين الكفاءة التشغيلية والاستدامة بشكل كبير في بيئات مراكز البيانات.
DOI: https://doi.org/10.1109/mis.2026.3668406
Publication Date: 2026-02-26
Author(s): Zhiwei Cao et al.
Primary Topic: Cloud Computing and Resource Management
Overview
The research paper introduces the Physical AI (PhyAI) framework, designed to enhance the operations and management of data centers (DCs) in the context of evolving demands from artificial intelligence and the digital economy. The framework comprises three key components: an industry-grade simulation engine for accurate DC operation simulations, an AI engine utilizing NVIDIA PhysicsNemo for training physics-informed machine learning (PIML) models, and a digital twin platform based on NVIDIA Omniverse, which supports a 5-tier digital twin framework. This innovative system aims to digitalize, optimize, and automate DC operations, facilitating real-time monitoring and management.
A case study illustrates the framework’s effectiveness by developing a surrogate model that predicts thermal and airflow profiles in a large-scale DC. The results indicate a median absolute temperature prediction error of 0.18 °C, significantly outperforming traditional Computational Fluid Dynamics/Heat Transfer (CFD/HT) simulations in terms of speed, achieving a 10^5 acceleration while maintaining accuracy. The findings suggest that the PhyAI framework not only enhances operational efficiency but also opens avenues for future research in the realm of autonomous DC operations.
Introduction
The introduction of the research paper highlights the rapid growth of the data center (DC) industry, driven by increasing demands for cloud computing and storage services. This expansion is characterized by larger scales and higher power consumption, with projections indicating that DC energy consumption could reach 1050 TWh by 2026, up from 460 TWh in 2022, according to the International Energy Agency (IEA). The emergence of graphics processing unit (GPU) DCs, particularly for artificial intelligence (AI) applications, further exacerbates power density challenges, with per-rack power densities potentially reaching 50 kW to 100 kW.
The paper discusses the dual challenges of managing costs and ensuring reliability in DC operations. Capital expenditures (CapEx) for constructing a DC with 100,000 GPUs can range from $4.5 to $5 billion, with annual operational expenditures (OpEx) for electricity potentially reaching $400 million. Reliability, often measured by uptime, is influenced by various cyber and physical factors, including unplanned power outages. Current DC operations primarily operate reactively, utilizing data center infrastructure management (DCIM) systems and feedback control mechanisms, such as proportional-integral-derivative (PID) controllers, which focus on temperature regulation without addressing power consumption or predictive capabilities. To enhance operational efficiency and sustainability, the paper emphasizes the need for AI-powered solutions that can optimize resource management, cooling control, and predictive maintenance, thereby minimizing risks and preventing downtime through proactive data analysis.
Results
The evaluation results demonstrate the effectiveness of the surrogate model in predicting thermal maps and airflow streamlines, as illustrated in Figure 5. The model exhibits a high degree of accuracy, with most temperature prediction errors confined to within 2.5 °C and a median absolute error of 0.18 °C. Additionally, the model achieves a rapid inference latency of approximately 0.01 seconds on a single NVIDIA V100 GPU, enabling real-time analysis of airflow and thermal profiles.
These findings suggest that transformer-based neural operators can effectively learn complex, high-dimensional airflow and thermal profiles in large-scale data centers (DCs) using limited simulation data. This capability is particularly significant for enhancing proactive thermal management strategies in data centers characterized by high rack power density, marking a notable advancement in the application of AI in this domain.
Discussion
In this section, the authors discuss the integration of Physical AI (PhyAI) into data center (DC) operations, highlighting its potential to enhance energy efficiency and operational sustainability. The DC infrastructure comprises interconnected systems, including IT, cooling, and power supply, which are increasingly challenged by high-density AI workloads. To address these challenges, hybrid cooling systems and mixed energy sources are being adopted. However, the practical implementation of AI solutions in DCs is hindered by data scarcity and the need for compliance with strict operational regulations. The authors propose a PhyAI framework that combines AI with physical systems, utilizing high-fidelity simulations to generate synthetic data for training AI models. This approach aims to improve the understanding of complex DC dynamics and facilitate autonomous operations.
The PhyAI framework is built upon a virtual 3D environment created using NVIDIA Omniverse, which allows for the generation of realistic synthetic data through advanced physical simulations. The framework employs physics-informed machine learning (PIML) techniques to enhance model generalization, particularly in scenarios with limited real-world data. The authors outline the framework’s architecture, which includes predictive and prescriptive analysis capabilities, enabling intelligent agents to optimize DC operations through deep reinforcement learning (DRL) and model predictive control (MPC). A case study demonstrates the effectiveness of the proposed framework in achieving real-time thermodynamic simulations, showcasing its potential to significantly improve operational efficiency and sustainability in DC environments.