سیستم حلقه دو فاز جدید با هدف ایجاد انقلاب در خنک کننده مرکز داده | دانش مرکز داده

مراکز داده در حال رونق هستند. از ویرجینیا تا کالیفرنیا، در فضاهای روستایی و نزدیک به پراکندگی شهری، ما مراکز داده را برای کاهش تأخیر و مطابقت با تقاضاهای افزایش ظرفیت ایجاد می کنیم. انتظار می رود این هزینه های سربار تنها با استقبال از جدیدترین جهش فناوری: هوش مصنوعی افزایش یابد.

هوش مصنوعی قول می دهد بحران آب و هوا را حل کند، مراقبت های بهداشتی را نوآوری کند و به ما کمک کند دوباره با گذشته خود ارتباط برقرار کنیم. و اکنون، با ابزارهای مولد هوش مصنوعی مانند ChatGPT، پذیرش این فناوری جدید فقط تسریع خواهد شد.

به طور اجتناب ناپذیری، این رونق سوالاتی را در مورد پایداری مرکز داده، به ویژه در میان کمبود آب در مناطقی مانند اورگان و آریزونا ایجاد می کند. بیشتر تأثیرات محیطی بر یک واقعیت متمرکز است: پردازنده ها داغ می شوند. پردازنده‌های داغ انرژی و آب زیادی مصرف می‌کنند و فناوری خنک‌کننده فعلی ما حول خنک‌کننده تبخیری می‌چرخد. در آیووا، جایی که مراکز داده مایکروسافت ChatGPT OpenAI را آموزش می‌دادند، شش مرکز داده West Des Moines 6 درصد از آب منطقه را بلعیدند.

با این حال، ابتکار COOLERCHIPS از وزارت انرژی ایالات متحده به دنبال پرداختن به این مسائل با تامین مالی فناوری نویدبخش و نوآورانه “برای کاهش کل مصرف انرژی خنک کننده به کمتر از 5٪ از بار IT یک مرکز داده معمولی در هر زمان” است، که همچنین باید کاهش ردپای CO2

در خارج از دانشگاه میسوری، یک پروژه COOLERCHIPS به دنبال تعریف مجدد چشم انداز خنک کننده با تبدیل خنک کننده تبخیری سنتی به گذشته است.

حلقه دوفاز مویرگی محرک مکانیکی هیبریدی (HTPL)

حلقه دو فاز مویرگی مکانیکی هیبریدی (HTPL) یک سیستم خنک کننده دو فاز است. مانند بسیاری از سیستم های خنک کننده مرکز داده معاصر، از مایعی مانند آب برای خنک کردن تراشه داغ استفاده می کند. تراشه مایع را گرم می کند بنابراین از مایع به بخار تبدیل می شود. این “تغییر فاز” به بخار اجازه می دهد تا گرما را از تراشه به جایی که خنک شود و دوباره به آب متراکم شود، منتقل کند.

در یک سیستم سنتی، چیلرها آب را به هوا تبخیر می کنند تا گرما را از سیستم پراکنده کنند و نیاز به استفاده از آب شیرین برای دوباره پر کردن خود دارند. اما HTPL یک سیستم بسته دو فاز است، به این معنی که نیازی به چیلرهای تشنه در مقیاس بزرگ، اواپراتورهای پر سروصدا روی پشت بام، یا برج های خنک کننده که دائماً از آب شیرین محلی تغذیه می شوند وجود ندارد.

دکتر چانوو پارک، سرپرست پروژه پروژه HTPL در دانشگاه میسوری، گفت دانش مرکز داده که “مصرف آب در طول عملیات خود در حد صفر باقی می ماند، به استثنای تنها رویدادهای تعمیر و نگهداری.”

به گفته دکتر پارک، HTPL از چندین عنصر خلاقانه استفاده می کند که نیاز به دوباره پر کردن مداوم آب را برطرف می کند. اولاً، دارای یک کنترلر حرارتی پیشرفته و فوق کارآمد در اواپراتور خود با سطح بزرگ، بیش از 150 سانتی متر مربع، برای انتقال گرما به اطراف است. در مدیریت گرما – بیش از 300 وات بر سانتیمتر مربع – با مقاومت حرارتی کم (کمتر از 0.01 K-cm²/W) زمانی که آب به عنوان مایع خنک کننده استفاده می شود، استثنایی است.

کشف و پرداختن به ردپای مخفی آب مدل های هوش مصنوعیتصویر حلقه دو فاز مویرگی درایو مکانیکی هیبریدی برای مراکز داده

تصویر حلقه دو فاز مویرگی درایو مکانیکی هیبریدی برای مراکز داده

اواپراتور همچنین دارای طراحی کارآمدی است که مایع را قبل از تبدیل شدن به بخار از طریق لوله های حرارتی مویرگی خود در یک لایه فوق نازک پخش می کند. این یک روش اثبات شده در الکترونیک خنک کننده است که وقتی مایع در برابر گرما جریان می یابد، حتی بهتر عمل می کند. این به نتایج خنک کننده عالی در مقیاس می رسد. دکتر پارک ادعا می کند که می تواند گرما را ده برابر بهتر از سیستم های خنک کننده معمولی تحمل کند. علاوه بر این، سیستم HTPL را می توان در صورت نیاز بزرگتر یا کوچکتر کرد، بنابراین می توان از آن برای خنک کردن تراشه های کامپیوتری بزرگتر در آینده استفاده کرد – حتی اگر تراشه به اندازه 150 سانتی متر مربع باشد.

با این حال، توانایی HTPL برای کار در حالت های غیرفعال و فعال آن را خاص می کند. دکتر پارک گفت: «در حالت غیرفعال، مانند یک ترموسیفون حلقه ای رفتار می کند، در حالی که در حالت فعال، مانند یک حلقه دو فاز پمپ شده عمل می کند. این انعطاف‌پذیری به آن اجازه می‌دهد تا در صورت نیاز حالت‌ها را تغییر دهد و از قابلیت اطمینان، عملکرد و بهره‌وری انرژی اطمینان حاصل کند. این شبیه به موتورهای امروزی خودروهای احتراقی است که برای صرفه جویی در مصرف انرژی، به طور موقت خاموش می شوند.

فناوری دیگری که HTPL را از رقبای خود جدا می کند، جداسازی فاز مویرگی آن است که به جوش لایه نازک اجازه می دهد بدون غرقاب شدن سطح جوش کار کند. دکتر پارک می‌گوید: «سیستم HTPL خود را با بهره‌وری انرژی استثنایی‌اش متمایز می‌کند و از فناوری‌های خنک‌کننده مایع در حال ظهور با ضریب 100 پیشی می‌گیرد. این راندمان شگفت‌انگیز عمدتاً به این دلیل است که چگونه مایع را به گونه‌ای می‌جوشاند که انرژی بسیار کمی برای پمپاژ مصرف می‌کند و ظرفیت بالایی برای جذب گرما دارد.

سیستم HTPL با توانایی خود در مقیاس‌پذیری یا فشرده‌سازی، بسیاری از کاربردهای خنک‌کننده ممکن، از انرژی خورشیدی متمرکز گرفته تا سیستم‌های هوایی بدون سرنشین را ارائه می‌کند. دکتر پارک گفت: “این به ویژه برای کاربردهایی که یک سیستم خنک کننده فشرده، سبک و کم مصرف ضروری است، بسیار مناسب است.”

نیاز فوری

دکتر سوشا لوچونی، محقق در انکوباتور هوش مصنوعی Hugging Face و یکی از اعضای موسس هوش مصنوعی تغییر آب و هوا، استدلال می‌کند که اثرات زیست‌محیطی مدل‌های هوش مصنوعی مولد تا حد زیادی نادیده گرفته می‌شوند. لوچونی گفت: بخشی از مشکل این است که آنها اندازه گیری نمی شوند:

به عنوان مثال، با ChatGPT که یک ماه پیش توسط ده‌ها میلیون کاربر در اوج خود پرس و جو شد، هزاران نسخه از مدل به صورت موازی در حال اجرا هستند و به پرسش‌های کاربر در زمان واقعی پاسخ می‌دهند، همگی در حالی که مگاوات ساعت برق مصرف می‌کنند و تولید می‌کنند. تن متریک انتشار کربن با توجه به محرمانه بودن و عدم شفافیت در مورد این LLM های بزرگ، تخمین مقدار دقیق انتشارات ناشی از این امر دشوار است. [Large Language Models].

با داده های موجود، محققان UC Riverside و UT Arlington سعی کردند مصرف آب را با استفاده از برنامه های هوش مصنوعی مولد مانند ChatGPT تخمین بزنند. مقاله آنها با عنوان “تشنه کمتر هوش مصنوعی: کشف و پرداختن به ردپای مخفی آب مدل های هوش مصنوعی” که هنوز مورد بررسی قرار نگرفته است، تخمین زده است که “ChatGPT برای یک مکالمه ساده نیاز به نوشیدن یک بطری آب 500 میلی لیتری دارد. تقریباً 20 تا 50 سؤال و پاسخ، بسته به زمان و مکان استقرار ChatGPT.

در حالی که ممکن است یک بطری ساده آب چندان زیاد به نظر نرسد، اما وقتی محققان حجم تعاملات با ChatGPT و سایر اشکال هوش مصنوعی مولد را برای سال 2022 در نظر می گیرند، تخمین می زنند که مراکز داده از حدود 1.5 میلیارد متر مکعب برداشت آب در ایالات متحده استفاده می کنند. که حدود 0.33 درصد از کل برداشت سالانه آب ایالات متحده را تشکیل می دهد، یا تقریباً دو برابر برداشت آب کشور دانمارک است. اگر رونق در مراکز داده ادامه یابد، محققان گمان می کنند که مصرف آب توسط مراکز داده تا سال 2027 دوباره دو برابر خواهد شد.

این تخمین ها کاربرد HTPL را جذاب تر می کند. کاربرد آن در مراکز داده جدید و قدیمی به طور قابل توجهی تقاضا برای آب را کاهش می دهد و در عین حال مصرف انرژی را کاهش می دهد که هر دو هدف اصلی ابتکار COOLERCHIPS هستند.

به گفته دکتر پیتر دو بوک، مدیر COOLERCHIPS، «تاسیسات برای مراکز داده بزرگ معمولاً ساختارهایی هستند که برای 15 تا 20 سال استفاده ساخته می‌شوند و پذیرش فناوری ممکن است در ابتدا کم باشد زیرا زیرساخت‌های موجود نصب شده زیادی وجود دارد.» با این حال، احتمال افزایش 100 برابری کارایی HTPL و رونق هوش مصنوعی مولد کنونی عصر ما ممکن است تأثیر خود را زودتر از دیرتر احساس کند.

با این حال، به‌عنوان لوئیس کولون، مبشر ارشد فناوری Fauna.com، این سوال باقی می‌ماند که با تجهیزات قدیمی چه باید کرد.

«عوارض جانبی جایگزینی بسیاری از آهن‌های قدیمی – ماشین‌های گران‌تر و ناکارآمد که گرم‌تر کار می‌کنند، وزن بیشتری دارند و فضای زیادی را برای قدرت محاسباتی که فراهم می‌کنند تلف می‌کنند. امیدوارم [COOLERCHIPS] این برنامه بر نیاز به اقدامات دایره ای تاکید می کند و بازیافت مناسب را تشویق می کند زیرا کمتر از یک پنجم کل زباله های الکترونیکی به درستی مدیریت و بازیافت می شوند.