BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

人工智能程序DeepMind将Google数据中心冷却电力利用率提高了40%

| 作者 Dylan Raithel 关注 9 他的粉丝 ,译者 足下 关注 1 他的粉丝 发布于 2016年8月9日. 估计阅读时间: 3 分钟 | Google、Facebook、Pinterest、阿里、腾讯 等顶尖技术团队的上百个可供参考的架构实例!

Alphabet的DeepMind部门报告说他们把Google数据中心总体电力利用效率(Power Usage Efficiency, PUE)又提升了15%,这要归功于新部署的一套管理数据中心控制系统的人工智能程序,它和之前的一套被训练用来玩Atari游戏的程序很相像。总的来说,DeepMind和数据中心工程师们已经将控制系统的PUE提升了40%,这套控制程序已经让他们达到了数据中心有史以来的最佳PUE状态。

Demis Hassabis这不只是节约支出,还减少了数据中心对环境的影响。根据Google Green的数字,Google在2014年消耗了4,402,836 MWh电量,相当于366,903个美国家庭的用电量。他们还提供了一个活跃的Google用户的碳足迹计算,具体是这样定义的:

对于一个每天做25次搜索、看60分钟YouTube视频、有一个Gmail账号还用一些其他服务的用户来说,Google每天要排放8克二氧化碳来为他提供服务。换句话说,每个月服务一个用户的碳排放量相当于开一英里汽车。

根据原始报告,几年下来节约的支出就可以达到几亿美元,与收购DeepMind的费用4亿英榜(6亿美元)相比,即使不够全部,起码也可以抵上大部分了。而且还可以有效地减少数据中心的每用户碳排放量。关于这套程序是如何实现这样的效率提升的,DeepMind研究工程师Rich Evans和Google数据中心工程师Jim Gao说:

他们通过数据中心内的几千个传感器去收集温度、电量、耗电率、设定值等各种数据,再把这些数据不断的保存下来,用于训练深度神经网络的集合,然后再训练关注未来平均PUE的神经网络。他们把未来平均PUE定义成建筑物总耗电量与IT总耗电量的比例。接下来再训练另两个深度神经网络集合,分别用于预测数据中心未来的温度和下一小时的压力。训练这些预测的目的是模拟PUE模型的推荐行为,来保证我们不会超出可操作范围限制。

在过去,每个数据中心都有一些独有的特征,如气候、天气、每个中心的建筑结构、每天和不同系统的相互作用情况等,这些使建立一个通用公式优化PUE成了一件不可能的事。但有了深度学习和卷积神经网络方法,就再也不需要唯一的公式了,因为程序会用一种玩游戏的方式工作:把传感器送进去的值和参考值做输入,再得到理想的输出。工程师们演示了把程序开启或者关闭的情况下,数据中心的PUE会受到怎样的影响。Hassabis说他们已经知道了在他们的数据中心里哪里还做得不足,他们准备多部署一些传感器来进一步提高利用率。

根据DeepMind的报告,相似的技术也可能被用于提高地球的能量转化效率,减少半导体生产和水消耗,或者帮助生产企业提高生产率。

阅读英文原文DeepMind AI Program Increases Google Data Center Cooling Power Usage Efficiency by 40%

评价本文

专业度
风格

您好,朋友!

您需要 注册一个InfoQ账号 或者 才能进行评论。在您完成注册后还需要进行一些设置。

获得来自InfoQ的更多体验。

告诉我们您的想法

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我
社区评论

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

讨论

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT