DOI: https://doi.org/10.1016/j.engappai.2026.114165
تاريخ النشر: 2026-02-25
المؤلف: Shuaiyin Ma وآخرون
الموضوع الرئيسي: كفاءة الطاقة في الحوسبة
نظرة عامة
تقدم هذه الدراسة بنية تعاونية بين الحافة والسحابة (EECC) مصممة للتنبؤ بالحرارة المهدرة على المدى القصير في مراكز بيانات الحوسبة عالية الأداء (HPC)، مع معالجة التحديات المتعلقة بالأحمال الحرارية الديناميكية والمتطلبات الزمنية الفعلية في أنظمة التبريد السائل. تم تطوير نموذج هجين يجمع بين الذاكرة طويلة وقصيرة المدى (LSTM) والشبكات العصبية المحولة، مستفيدًا من نقاط القوة في كلا المعمارين. تكشف التحقق التجريبي باستخدام بيانات تشغيلية من الحاسوب الفائق Frontier في مختبر أوك ريدج الوطني (ORNL) أن هذا النموذج يتفوق بشكل كبير على النماذج الأساسية، محققًا تقليلاً في خطأ الجذر التربيعي المتوسط (RMSE) ومتوسط الخطأ المطلق (MAE) بنسبة تقارب 21.3% و28.4%، على التوالي، إلى جانب معامل التحديد ($R^2$) البالغ 0.9767.
تحدد الأبحاث أيضًا المصدر الرئيسي للحرارة المهدرة وتقلباتها الديناميكية، مما يضع ميزات رئيسية للتنبؤات الدقيقة بناءً على المبادئ الديناميكية الحرارية. يظهر نموذج LSTM-Transformer الهجين أداءً قويًا عبر ظروف مختلفة، مع الحفاظ على دقة التنبؤ تحت مختلف التهيئات والتغيرات الموسمية. بالإضافة إلى ذلك، تؤكد تحليل القابلية للتفسير أن قرارات النموذج تتماشى مع السلوك الديناميكي الحراري لنظام التبريد. ستركز الأعمال المستقبلية على تعزيز قابلية تكيف النموذج واستكشاف أساليب التعلم الفيدرالي لضمان قابلية التطبيق على المدى الطويل، بهدف الانتقال نحو إطار إدارة حرارية أكثر ذكاءً واستدامةً لأنظمة HPC من الجيل التالي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لمراكز بيانات الحوسبة عالية الأداء (HPC) في دعم الحوسبة العلمية والذكاء الاصطناعي، مع معالجة الاستهلاك الكبير للطاقة المرتبط بأنظمة التبريد اللازمة لإدارة الحرارة الناتجة عن العمليات ذات الكثافة العالية. تشير إلى أن التبريد يمكن أن يمثل 30%-40% من إجمالي استخدام الطاقة في هذه البيئات، مما يساهم في زيادة انبعاثات الكربون ويتعارض مع أهداف الاستدامة العالمية. يؤكد المؤلفون على أهمية التنبؤ بديناميات الحرارة المهدرة بدقة في أنظمة التبريد السائل في HPC لتحسين استراتيجيات التبريد، وتعزيز كفاءة الطاقة، ودعم مبادرات الحوسبة الخضراء.
تناقش الورقة التحديات التي تطرحها الطبيعة غير الخطية والمتغيرة زمنياً للأحمال الحرارية في أنظمة HPC، مما يعقد دقة التنبؤ والأداء الفوري. تقترح أن الخوارزميات الذكية والأساليب المعتمدة على البيانات، وخاصة تلك التي تستفيد من الحوسبة التعاونية بين الحافة والسحابة (EECC)، يمكن أن تعالج هذه التحديات بشكل فعال من خلال تمكين التنبؤات الفورية أثناء إدارة تدفقات البيانات المعقدة. تهدف البنية المقترحة المعتمدة على EECC إلى تسهيل المعالجة الفعالة لبيانات الديناميكا الحرارية عالية التردد، من خلال دمج نماذج زمنية عميقة للتنبؤ بالحرارة المهدرة على المدى القصير. يتم تقديم دراسة حالة باستخدام بيانات من الحاسوب الفائق Frontier في مختبر أوك ريدج الوطني للتحقق من فعالية الإطار. توضح الورقة هيكلها، مشيرة إلى أن الأقسام التالية ستراجع الأدبيات ذات الصلة، وتفصل الإطار المقترح، وتناقش تحديات التنفيذ واتجاهات البحث المستقبلية.
الطرق
تحدد قسم الطرق في الورقة البحثية الأساليب المختلفة للتنبؤ بالحرارة المهدرة، مصنفة إياها إلى نماذج قائمة على الفيزياء، وأساليب التعلم الآلي الإحصائية/التقليدية، وتقنيات التعلم العميق. تستفيد النماذج القائمة على الفيزياء من معادلات نقل الحرارة والديناميكا السائلة من أجل القابلية للتفسير لكنها تواجه صعوبة في التكيف والأداء الفوري في بيئات الحوسبة عالية الأداء الديناميكية (HPC). تعتبر الأساليب الإحصائية التقليدية، مثل ARIMA وSARIMA، فعالة للإشارات الثابتة لكنها تفشل في التقاط غير الخطية والتقلبات المفاجئة المميزة للحرارة المهدرة في التبريد السائل. في المقابل، أظهرت أساليب التعلم العميق، وخاصة نماذج الذاكرة طويلة وقصيرة المدى (LSTM) ووحدات التكرار المغلقة (GRU)، وعدًا في التنبؤ بسبب قدرتها على نمذجة الاعتماد الزمني. ومع ذلك، تواجه تحديات مع تلاشي التدرجات في التسلسلات الطويلة، مما يستلزم دمج آليات الانتباه ومعماريات المحولات لتعزيز الأداء.
كما يتناول القسم إعداد التجارب، باستخدام الحاسوب الفائق Frontier، الذي يستخدم بنية تبريد سائل متطورة من ثلاثة مستويات. تشمل البيانات المجمعة من هذا النظام معلمات تشغيلية وظروف جوية خارجية، وهي ضرورية للتنبؤ الدقيق بالحرارة المهدرة. تؤكد الدراسة على الحاجة إلى نهج هجين للتعلم العميق يمكنه نمذجة كل من التقلبات قصيرة المدى والاتجاهات طويلة المدى في توليد الحرارة المهدرة، مع معالجة قيود النماذج الحالية. يتم تصنيف طرق تقييم الأداء إلى دقة التنبؤ الإحصائية وقابلية التنفيذ الهندسي، مما يضمن تقييمًا شاملاً لفعالية النموذج المقترح. تسلط التحليل المقارن الضوء على قيود النماذج القائمة على الفيزياء والأساليب الإحصائية التقليدية، مما يعزز ضرورة وجود نماذج تعلم عميق متقدمة يمكنها دمج مصادر بيانات متنوعة وديناميات زمنية معقدة لتحسين دقة التنبؤ في أنظمة التبريد السائل في HPC.
المناقشة
في مناقشة أنظمة التبريد السائل لمراكز بيانات الحوسبة عالية الأداء (HPC)، تسلط الورقة الضوء على زيادة كثافة تدفق الحرارة في بيئات الحوسبة الفائقة الحديثة، مما يتحدى طرق التبريد الهوائي التقليدية. تظهر تقنيات التبريد السائل، مثل التبريد باللوحات الباردة والتبريد الغمر، أنها تعزز بشكل كبير كفاءة التبريد وتقلل من استهلاك الطاقة بنسبة 30%-50%، مما يحسن فعالية استخدام الطاقة (PUE) والاستقرار التشغيلي. من الجدير بالذكر أن هذه الأنظمة تسهل استعادة الحرارة المهدرة، حيث أن درجات حرارة المياه العائدة الأعلى مقارنة بأنظمة التبريد الهوائي تسمح باستخدام أفضل للحرارة المستعادة في تطبيقات مثل التدفئة المركزية أو توليد الطاقة المدمجة. ومع ذلك، تعقد الديناميات الحرارية المعقدة لأنظمة HPC، المتأثرة بعوامل تشغيلية متنوعة، إدارة الحرارة الفورية والتنبؤ بالحرارة المهدرة، مما يشير إلى الحاجة إلى أطر تنبؤية متقدمة.
تقترح الورقة بنية حوسبة سحابية بين الحافة والحافة (EECC) لمعالجة هذه التحديات، من خلال دمج اكتساب البيانات في الوقت الحقيقي، والمعالجة على الحافة، والتحسين القائم على السحابة لتنبؤ الحرارة المهدرة. يستخدم إطار EECC نموذج LSTM-Transformer الهجين للاستفادة من كل من الديناميات الزمنية المحلية والاعتماد العالمي في البيانات، مما يعزز دقة التنبؤات بالحرارة المهدرة. يتضمن تصميم النموذج دالة خسارة مركبة تضمن أن التنبؤات تلتزم بالقيود الفيزيائية، مثل عدم السلبية، بينما تكون أيضًا حساسة لأخطاء التنبؤ. بالإضافة إلى ذلك، تؤكد الدراسة على أهمية مقاييس قابلية التنفيذ الهندسي، مثل حجم النموذج وزمن الاستدلال، لضمان أن النماذج التنبؤية مناسبة للتطبيقات الفورية في بيئات HPC. بشكل عام، تملأ هذه الأبحاث فجوة حاسمة في الأدبيات من خلال تعزيز استراتيجيات الإدارة الحرارية الذكية لأنظمة التبريد السائل في مراكز بيانات HPC.
DOI: https://doi.org/10.1016/j.engappai.2026.114165
Publication Date: 2026-02-25
Author(s): Shuaiyin Ma et al.
Primary Topic: Energy Efficiency in Computing
Overview
This study introduces an end-edge-cloud collaborative (EECC) architecture designed for short-term waste-heat prediction in high-performance computing (HPC) data centers, addressing the challenges of dynamic thermal loads and real-time requirements in liquid cooling systems. A hybrid model combining long short-term memory (LSTM) and Transformer neural networks is developed, leveraging the strengths of both architectures. Experimental validation using operational data from the Frontier supercomputer at Oak Ridge National Laboratory (ORNL) reveals that this model significantly outperforms baseline models, achieving a reduction in root-mean-square error (RMSE) and mean absolute error (MAE) by approximately 21.3% and 28.4%, respectively, alongside a coefficient of determination ($R^2$) of 0.9767.
The research further identifies the primary source of waste-heat and its dynamic fluctuations, establishing key features for accurate predictions based on thermodynamic principles. The LSTM-Transformer hybrid model demonstrates robust performance across various conditions, maintaining predictive accuracy under different initializations and seasonal variations. Additionally, interpretability analysis confirms that the model’s decision-making aligns with the thermodynamic behavior of the cooling system. Future work will focus on enhancing the model’s adaptability and exploring federated learning approaches to ensure long-term applicability, aiming to transition towards a more intelligent and sustainable thermal management framework for next-generation HPC systems.
Introduction
The introduction of this research paper highlights the critical role of high-performance computing (HPC) data centers in supporting scientific computing and artificial intelligence, while also addressing the significant energy consumption associated with cooling systems necessary to manage the heat generated by high-density operations. It notes that cooling can account for 30%-40% of total energy use in these environments, contributing to increased carbon emissions and conflicting with global sustainability goals. The authors emphasize the importance of accurately predicting waste-heat dynamics in HPC liquid cooling systems to optimize cooling strategies, enhance energy efficiency, and support green computing initiatives.
The paper discusses the challenges posed by the nonlinear and time-varying nature of thermal loads in HPC systems, which complicate prediction accuracy and real-time performance. It suggests that intelligent algorithms and data-driven approaches, particularly those leveraging end-edge-cloud collaborative (EECC) computing, can effectively address these challenges by enabling real-time predictions while managing complex data streams. The proposed EECC-based architecture aims to facilitate efficient processing of high-frequency thermal-dynamic data, integrating deep temporal models for short-term waste-heat forecasting. A case study using data from the Frontier supercomputer at Oak Ridge National Laboratory is presented to validate the framework’s effectiveness. The paper outlines its structure, indicating subsequent sections will review relevant literature, detail the proposed framework, and discuss implementation challenges and future research directions.
Methods
The methods section of the research paper outlines the various approaches to waste-heat prediction, categorizing them into physics-based models, statistical/traditional machine learning methods, and deep learning techniques. Physics-based models leverage heat-transfer equations and fluid dynamics for interpretability but struggle with adaptability and real-time performance in dynamic high-performance computing (HPC) environments. Traditional statistical methods, such as ARIMA and SARIMA, are effective for stationary signals but fail to capture the nonlinearity and abrupt fluctuations characteristic of liquid cooling waste-heat. In contrast, deep learning methods, particularly Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models, have shown promise in forecasting due to their ability to model temporal dependencies. However, they face challenges with gradient-vanishing in long sequences, necessitating the integration of attention mechanisms and Transformer architectures to enhance performance.
The section also details the experimental setup, utilizing the Frontier supercomputer, which employs a sophisticated three-tier liquid cooling architecture. Data collected from this system includes operational parameters and external meteorological conditions, crucial for accurate waste-heat prediction. The study emphasizes the need for a hybrid deep learning approach that can effectively model both short-term fluctuations and long-term trends in waste-heat generation, addressing the limitations of existing models. Performance evaluation methods are categorized into statistical prediction accuracy and engineering deployability, ensuring a comprehensive assessment of the proposed model’s effectiveness. The comparative analysis highlights the limitations of physics-based and traditional statistical methods, reinforcing the necessity for advanced deep learning models that can integrate diverse data sources and complex temporal dynamics for improved prediction accuracy in HPC liquid cooling systems.
Discussion
In the discussion of liquid cooling systems for high-performance computing (HPC) data centers, the paper highlights the increasing heat flux density in modern supercomputing environments, which challenges traditional air-cooling methods. Liquid cooling technologies, such as cold-plate and immersion cooling, are shown to significantly enhance cooling efficiency and reduce energy consumption by 30%-50%, thereby improving power usage effectiveness (PUE) and operational stability. Notably, these systems facilitate waste-heat recovery, as their higher return-water temperatures compared to air-cooling systems allow for better utilization of recovered heat for applications like district heating or combined heat-and-power generation. However, the complex thermal dynamics of HPC systems, influenced by various operational factors, complicate real-time thermal management and waste-heat prediction, indicating a need for advanced predictive frameworks.
The paper proposes an Edge-Edge Cloud Computing (EECC) architecture to address these challenges, integrating real-time data acquisition, edge processing, and cloud-based optimization for waste-heat prediction. The EECC framework employs a hybrid LSTM-Transformer model to leverage both local temporal dynamics and global dependencies in data, enhancing the accuracy of waste-heat forecasts. The model’s design includes a composite loss function that ensures predictions adhere to physical constraints, such as non-negativity, while also being sensitive to prediction errors. Additionally, the study emphasizes the importance of engineering deployability metrics, such as model size and inference latency, to ensure that the predictive models are suitable for real-time applications in HPC environments. Overall, this research fills a critical gap in the literature by advancing intelligent thermal management strategies for liquid cooling systems in HPC data centers.