AI 팩토리 시뮬레이션: 구축 전에 전력 및 냉각 검증

시뮬레이션을 통해 팀은 건설이 시작되기 전에 운영 시나리오를 실행할 수 있어 설계와 운영 간의 경계를 좁힐 수 있습니다. 유용한 AI 팩토리 모델은 단순히 3D 공간을 렌더링하는 데 그치지 않고 형상, 엔지니어링 속성, 실시간 또는 과거 운영 데이터를 연결하여 물리적 변경에 많은 비용이 들기 전에 배치, 전력 거동, 공기 흐름, 냉각 용량, 구조적 제약 및 워크로드 영향을 테스트할 수 있도록 합니다.

이는 AI 팩토리가 인프라 한계에 가까운 수준에서 운영되기 때문에 중요합니다. 이 환경에서는 작은 설계 가정도 사용 가능한 토큰 출력량을 줄이고, 전력 또는 냉각 용량을 활용하지 못하게 하거나, 보수적인 운영 여유를 적용하게 할 수 있습니다. 실질적인 가치는 설계 단계에서 랙 이동, 차세대 가속기 교체, 더 높은 전력 밀도, 다양한 CDU 선택, 1차 루프 변경, 단열 냉각탑 가정 및 AI 워크로드 프로파일과 같은 ‘실제 운영과 유사한’ 시나리오를 테스트하는 데서 나옵니다.

개별 도구는 특정 지점의 분석에는 적합하지만 여러 페르소나가 동일한 시설, 자산 및 운영 상태를 공유된 관점에서 확인해야 하는 경우에는 한계가 있습니다. AI 팩토리 설계에서는 CFD, 전력 시뮬레이션, 엔지니어링 문서, 자산 모델, IT 원격 측정, OT 원격 측정 및 운영 이력을 동일한 물리적 장비에 맞춰 연계해야 합니다.

공통 통합 계층이 없으면 각 도구가 자체 뷰포트, 명명 규칙 및 데이터 모델을 생성하므로 팀이 자산을 수동으로 대조해야 합니다. OpenUSD는 3D 형상을 여러 데이터 소스 및 솔버와 연결하기 위한 표준화 계층을 제공합니다. Schneider Electric, AVEVA 및 ETAP는 소프트웨어 상호 운용성, 산업 시뮬레이션, 협업 설계 및 AI 인프라 시스템을 지원하기 위해 Alliance for OpenUSD에 가입했습니다.

토큰 출력량은 컴퓨팅 스택 내부에서 일어나는 상황에 따라 달라지므로 모델에는 랙 수준 이하의 가시성이 필요합니다. CPU 활용도, 메모리 활용도, GPU 활용도, 네트워크 동작, 디스크 활동 및 워크로드 상태는 IT 동작을 전력 소비, 열 방출, 유량 요구 사항 및 열 위험과 같은 OT 측 영향과 연결하는 데 도움이 됩니다.

랙 단위의 분석만으로는 특정 워크로드나 노드의 동작이 인프라 성능에 미치는 영향을 충분히 파악할 수 없습니다. 따라서 AI Factory 시뮬레이션은 IT와 OT 데이터를 통합적으로 활용해야 합니다. 데이터센터의 궁극적인 목표는 단순히 설비를 유지하는 것이 아니라, 고가의 AI 컴퓨팅 자원이 가장 효율적이고 안전하게 운영될 수 있도록 지원하는 것입니다.. Schneider Electric과 NVIDIA의 레퍼런스 디자인 작업은 AI 팩토리 설계를 MaxP 및 MaxQ와 같은 운영 지점에 명시적으로 연결하며, 전력 제약으로 인해 컴퓨팅 성능을 최적화해야 할 때 MaxQ를 통해 와트당 더 많은 토큰을 처리할 수 있습니다.

CFD 시뮬레이션은 기준 조건과 가상 시나리오를 모두 대상으로 공기 흐름, 온도, 속도, 압력 및 냉각 거동을 테스트할 수 있습니다. 실질적인 활용 사례는 간단합니다. 기준 공간 조건에서 시작하여 더 높은 AI 워크로드를 적용하거나 열 부하를 한 랙 위치에서 다른 위치로 이동한 다음, 냉기 흐름, 냉각 용량 및 컨테인먼트 전략이 해당 부하를 계속 지원할 수 있는지 시각화합니다. 공기 냉각 또는 하이브리드 환경에서는 가상 이동을 테스트하기 위해 항상 전체 재배선이나 재배관이 필요한 것은 아닙니다. 모델에서 킬로와트 단위의 열 방출 프로파일을 이동하고 그에 따른 열적 거동을 테스트할 수 있습니다.

전력 시뮬레이션은 고장 또는 유지보수 상태가 사용 가능한 IT 용량에 미치는 영향을 정량화할 수 있습니다. 실질적인 시나리오로는 원격 전력 패널의 고장과 두 번째 구성 요소의 유지보수 모드 진입이 동시에 발생하는 경우가 있습니다. 시뮬레이션을 통해 시설이 필요한 다중화 상태를 계속 유지할 수 있는지, 그리고 N+1 운영을 유지하기 위해 IT 전력을 어느 정도까지 제한해야 하는지 확인할 수 있습니다.

이 결과는 운영을 시작하기 전에 워크로드 스케줄링 규칙, 전력 상한 또는 주파수 저감 설정에 활용할 수 있습니다. ETAP의 전기 디지털 트윈 기능은 고급 전기 시스템 설계 및 시뮬레이션, 동적 가상 시나리오 분석, 실시간 전기 인프라 성능 추적, 에너지 효율 최적화, 예측 유지보수 및 전력 사용량 기반 인프라 계획을 지원합니다.

시뮬레이션은 조달 또는 건설 전에 전력, 냉각 및 구조적 영향을 테스트하여 한 GPU 세대를 다른 세대로 교체할 때의 영향을 평가할 수 있습니다. 실질적인 예로 모델에서 랙을 선택하고 향후 더 높은 밀도와 더 큰 중량의 플랫폼을 테스트하여 바닥, 배관 크기, 냉각 루프 및 전기 인프라가 이러한 변경을 지원할 수 있는지 확인할 수 있습니다.

이는 AI 팩토리의 교체 주기가 기존 시설보다 빠르고 차세대 랙 플랫폼으로 인해 중량, 열 방출, 배관 크기, 유량 요구 사항 및 전력 밀도가 달라질 수 있기 때문에 중요합니다.

AI Factory의 규모와 복잡성이 증가함에 따라, 보수적인 설계 가정이나 설계 오류에 따른 리스크를 최소화하기 위해 시뮬레이션은 실질적인 필수 요건으로 자리 잡고 있습니다. 냉각, 전력 또는 이중화 인프라에 대한 확신 부족으로 인해 고가치 AI 랙이 최대 활용률이 아닌 90% 수준으로 제한된다면, 데이터센터 운영자는 가장 가치 있는 컴퓨팅 자산에서 제공할 수 있는 AI 처리 성능을 잃게 됩니다.

AI 팩토리에는 시설 설계, 워크로드 동작 및 활용률에 따른 경제성이 밀접하게 연결되어 있기 때문에 시뮬레이션이 필요합니다. ETAP 전력 시뮬레이션, CFD, 실시간 원격 측정 및 시각적 가상 시나리오는 운영자가 AI 팩토리를 한계에 가까운 수준에서 안전하게 운영할 수 있는지를 결정하는 조건을 테스트하도록 지원합니다. 또한 OpenUSD 기반 디지털 트윈은 설계, 구축 및 운영 전반에 걸쳐 시스템 수준의 통합 분석을 가능하게 함으로써, 분산된 데이터와 개별 도구로 인한 한계를 해결합니다.