Προσομοίωση μονάδας AI: επαληθεύστε την ισχύ και την ψύξη πριν από την κατασκευή

Η προσομοίωση περιορίζει το χάσμα μεταξύ σχεδιασμού και λειτουργίας, επιτρέποντας στις ομάδες να δοκιμάζουν σενάρια λειτουργίας πριν από την έναρξη της κατασκευής. Ένα χρήσιμο μοντέλο μονάδας AI δεν περιορίζεται απλώς στην απόδοση ενός τρισδιάστατου χώρου. Συνδέει τη γεωμετρία, τα τεχνικά χαρακτηριστικά και τα τρέχοντα ή τα ιστορικά δεδομένα λειτουργίας, ώστε οι ομάδες να μπορούν να ελέγξουν τη διάταξη, τη συμπεριφορά ισχύος, τη ροή αέρα, την ικανότητα ψύξης, τους δομικούς περιορισμούς και τον αντίκτυπο του φόρτου εργασίας, πριν οι φυσικές αλλαγές να καταστούν δαπανηρές.

Αυτό έχει σημασία επειδή οι μονάδες AI λειτουργούν κοντά στα όρια των υποδομών, όπου μικρές παραδοχές στον σχεδιασμό μπορούν να μειώσουν την παραγωγή χρήσιμων token, να σπαταλήσουν ισχύ ή χωρητικότητα ψύξης, ή να επιβάλουν συντηρητικά περιθώρια κέρδους. Η πρακτική αξία προέρχεται από τη δοκιμή σεναρίων «προσομοίωσης πραγματικών συνθηκών λειτουργίας», ενώ το σύστημα βρίσκεται ακόμη στο στάδιο του σχεδιασμού: μετακινήσεις rack, αντικατάσταση επιταχυντών νέας γενιάς, υψηλότερη πυκνότητα ισχύος, διαφορετικές επιλογές CDU, αλλαγές στον κύριο κύκλο, παραδοχές σχετικά με τον πύργο αδιαβατικής ψύξης, καθώς και προφίλ φόρτου εργασίας της τεχνητής νοημοσύνης.

Τα ξεχωριστά εργαλεία λειτουργούν για την ανάλυση μεμονωμένων στοιχείων, αλλά αποτυγχάνουν όταν πολλά πρόσωπα χρειάζονται μια κοινόχρηστη εικόνα της ίδιας εγκατάστασης, των πόρων και της κατάστασης λειτουργίας. Ο σχεδιασμός μονάδων AI απαιτεί CFD, προσομοίωση ισχύος, τεχνική τεκμηρίωση, μοντέλα πόρων, τηλεμετρία IT, τηλεμετρία OT και ιστορικό λειτουργίας, τα οποία πρέπει να αντιστοιχούν στον ίδιο φυσικό εξοπλισμό.

Χωρίς ένα κοινό επίπεδο ενοποίησης, κάθε εργαλείο δημιουργεί τη δική του «οπτική γωνία», τη δική του σύμβαση ονοματολογίας και το δικό του μοντέλο δεδομένων, γεγονός που αναγκάζει τις ομάδες να εναρμονίσουν τα στοιχεία χειροκίνητα. Το OpenUSD παρέχει το επίπεδο τυποποίησης για τη σύνδεση της τρισδιάστατης γεωμετρίας με πολλαπλές πηγές δεδομένων και επιλύσεις.Η Schneider Electric, η AVEVA και η ETAP έχουν ενταχθεί στον οργανισμό Alliance for  OpenUSDπροκειμένου να υποστηρίξουν τη διαλειτουργικότητα λογισμικού, τη βιομηχανική προσομοίωση, το συνεργατικό σχεδιασμό και τα συστήματα υποδομής τεχνητής νοημοσύνης.

Η παραγωγή token εξαρτάται από το τι συμβαίνει στο εσωτερικό της υπολογιστικής στοίβας, οπότε το μοντέλο χρειάζεται ορατότητα σε επίπεδο κάτω από το επίπεδο rack. Η χρήση CPU, η χρήση μνήμης, η χρήση GPU, η συμπεριφορά δικτύου, η δραστηριότητα δίσκου και η κατάσταση φόρτου εργασίας συμβάλλουν στη σύνδεση της συμπεριφοράς IT με τις επιπτώσεις OT, όπως η κατανάλωση ισχύος, η απαγωγή θερμότητας, οι απαιτήσεις ροής και ο θερμικός κίνδυνος.

Η αφαιρετική προσέγγιση σε επίπεδο rack δεν καταγράφει αν η κατάσταση της υποδομής καθορίζεται από τη συμπεριφορά ενός συγκεκριμένου φόρτου εργασίας, κόμβου ή εξαρτήματος. Γι’ αυτό η προσομοίωση μονάδας AI πρέπει να συνδυάζει δεδομένα IT και OT: η εγκατάσταση δεν παράγει αξία διατηρώντας τους χώρους κρύους, αλλά παράγει αξία επιτρέποντας στα ακριβά rack υπολογιστικής ισχύος να λειτουργούν με την υψηλότερη ασφαλή απόδοση.Το σχέδιο αναφοράς της Schneider Electric και της NVIDIA συνδέει ρητά το σχεδιασμό μονάδων AI με σημεία λειτουργίας όπως τα MaxP και MaxQ, με το MaxQ να επιτρέπει περισσότερα tokens ανά watt όταν οι περιορισμοί ισχύος απαιτούν βελτιστοποιημένη υπολογιστική απόδοση.

Η προσομοίωση CFD επιτρέπει τη διερεύνηση της ροής αέρα, της θερμοκρασίας, της ταχύτητας, της πίεσης και της συμπεριφοράς ψύξης, τόσο σε σχέση με το βασικό σενάριο αναφοράς όσο και με υποθετικά σενάρια. Η πρακτική περίπτωση χρήσης είναι απλή: ξεκινήστε με τις συνθήκες αναφοράς του χώρου, εφαρμόστε ένα μεγαλύτερο φόρτο εργασίας AI ή μεταφέρετε το θερμικό φορτίο από μία θέση rack σε μια άλλη και ελέγξτε αν η ροή κρύου αέρα, η ψυκτική ικανότητα και η στρατηγική συγκράτησης εξακολουθούν να υποστηρίζουν το φορτίο. Σε περιβάλλοντα με ψύξη μέσω αέρα ή υβριδικά, μια δοκιμαστική μετακίνηση δεν απαιτεί πάντα πλήρη καλωδίωση εκ νέου ή επανασύνδεση σωληνώσεων. Το μοντέλο μπορεί να μετατοπίσει το προφίλ απαγωγής ισχύος και να ελέγξει τη θερμική συμπεριφορά που προκύπτει.

Η προσομοίωση ισχύος μπορεί να ποσοτικοποιήσει τον τρόπο με τον οποίο μια βλάβη ή μια κατάσταση συντήρησης επηρεάζει τη διαθέσιμη χωρητικότητα των συστημάτων IT. Ένα πρακτικό σενάριο είναι η βλάβη τηλεχειρισμού ενός πίνακα ισχύος σε συνδυασμό με τη μετάβαση ενός δεύτερου στοιχείου σε κατάσταση συντήρησης. Η προσομοίωση μπορεί να δείξει αν η εγκατάσταση εξακολουθεί να διατηρεί το απαιτούμενο επίπεδο πλεονασμού και κατά πόσο πρέπει να περιοριστεί η ισχύς των συστημάτων IT για να διατηρηθεί η συμπεριφορά N+1.

Αυτό το αποτέλεσμα μπορεί, στη συνέχεια, να ενημερώσει τους κανόνες προγραμματισμού του φόρτου εργασίας, τα ανώτατα όρια ισχύος ή τις μειώσεις συχνότητας πριν από την έναρξη των λειτουργιών. Η δυνατότητα του ηλεκτρικού ψηφιακού δίδυμου του ETAP υποστηρίζει προηγμένο σχεδιασμό και την προσομοίωση ηλεκτρικών συστημάτων, τη δυναμική ανάλυση υποθετικών σεναρίων, την παρακολούθηση της απόδοσης της ηλεκτρικής υποδομής σε πραγματικό χρόνο, τη βελτιστοποίηση της ενεργειακής απόδοσης, την προληπτική συντήρηση, καθώς και το σχεδιασμό υποδομών με βάση την κατανάλωση ισχύος.

Η προσομοίωση επιτρέπει την αξιολόγηση των επιπτώσεων της αντικατάστασης μιας γενιάς GPU από μια άλλη, μέσω της δοκιμής των επιπτώσεων στην κατανάλωση ισχύος, την ψύξη και τη δομή, πριν από την προμήθεια ή την κατασκευή. Ένα πρακτικό παράδειγμα είναι η επιλογή ενός rack στο μοντέλο και η δοκιμή μιας μελλοντικής, βαρύτερης πλατφόρμας μεγαλύτερης πυκνότητας, προκειμένου να διαπιστωθεί αν το δάπεδο, οι διαστάσεις σωληνώσεων, ο κύκλος ψύξης και η ηλεκτρική υποδομή μπορούν να υποστηρίξουν την αλλαγή.

Αυτό έχει σημασία, επειδή οι μονάδες AI ανανεώνονται ταχύτερα από τις παραδοσιακές εγκαταστάσεις και οι πλατφόρμες rack επόμενης γενιάς ενδέχεται να επηρεάσουν το βάρος, την απαγωγή θερμότητας, τις διαστάσεις σωληνώσεων, τις απαιτήσεις ροής και την ενεργειακή πυκνότητα.

Η προσομοίωση καθίσταται πρακτική αναγκαιότητα για τις μονάδες AI, καθώς το κόστος των συντηρητικών παραδοχών ή των σχεδιαστικών σφαλμάτων είναι υπερβολικά υψηλό. Εάν ένα rack υψηλής αξίας μπορεί να λειτουργήσει μόνο στο 90% της χωρητικότητάς του επειδή η ομάδα της εγκατάστασης δεν έχει εμπιστοσύνη στα περιθώρια ψύξης, ισχύος ή πλεονασμού, ο χειριστής αναγκάζεται να εγκαταλείψει μέρος της χωρητικότητας στο πιο πολύτιμο περιουσιακό στοιχείο του κτιρίου.

Οι μονάδες AI απαιτούν προσομοίωση, καθώς ο σχεδιασμός των εγκαταστάσεων, η συμπεριφορά του φόρτου εργασίας και η αξιοποίηση είναι στενά συνδεδεμένα. Η προσομοίωση ισχύος ETAP, η CFD, η τηλεμετρία σε πραγματικό χρόνο και τα εικονικά υποθετικά σενάρια βοηθούν τους χειριστές να δοκιμάσουν τις συνθήκες που καθορίζουν αν η μονάδα AI μπορεί να λειτουργήσει με ασφάλεια στα όρια των δυνατοτήτων της. Τα βασισμένα στο OpenUSD ψηφιακά δίδυμα αντιμετωπίζουν περαιτέρω το πρόβλημα των απομονωμένων δεδομένων και εργαλείων, επιτρέποντας τη συλλογιστική σε επίπεδο συστήματος σε όλο το φάσμα του σχεδιασμού, της κατασκευής και της λειτουργίας.