Simulering av AI-fabriker: validera strömförsörjning och kylning innan du bygger

Simulering suddar ut gränsen mellan design och drift genom att teamen kan testa driftscenarier innan byggarbetet påbörjas. En användbar AI-fabriksmodell gör mer än att bara rendera ett 3D-rum. Den kopplar samman geometri, tekniska egenskaper samt realtidsdata eller historiska driftdata, så att team kan testa placering, effektbeteende, luftflöde, kylkapacitet, strukturella begränsningar och arbetslastens påverkan innan fysiska förändringar blir kostsamma.

Detta är viktigt eftersom AI-fabrikeropererar nära infrastrukturens gränser, där små designantaganden kan minska användbara token-utdata, slösa bort ström eller kylkapacitet, eller tvinga fram konservativa driftsmarginaler. Det praktiska värdet ligger i att man redan i designfasen kan testa scenarier som efterliknar verkliga driftsförhållanden: omplacering av rack, byte till nästa generations acceleratorer, högre effekttäthet, olika val av CDU-enheter, ändringar i primärkretsen, antaganden om adiabatisk kylning samt profiler för AI-lasten.

Enskilda verktyg fungerar för punktanalys, men de räcker inte till när flera användargrupper behöver en gemensam översikt över samma anläggning, tillgångar och driftstillstånd. Design av AI-fabriker kräver att CFD, effektsimulering, teknisk dokumentation, utrustningsmodeller, IT-telemetri, OT-telemetri och driftshistorik matchas mot samma fysiska utrustning.

Utan ett gemensamt integrationslager skapar varje verktyg sin egen visningsyta, namngivningskonvention och datamodell, vilket tvingar teamen att manuellt samordna resurserna. OpenUSD tillhandahåller ett standardiseringslager för att ansluta 3D-geometri till flera datakällor och beräkningsmodeller.Schneider Electric, AVEVA och ETAP har anslutit sig till Alliance for OpenUSDför att stödja interoperabilitet mellan programvaror, industriell simulering, samarbetsbaserad design och AI-infrastruktursystem.

Tokenutdata beror på vad som händer inuti beräkningsstacken, så modellen behöver insyn under racknivå. CPU-utnyttjande, minnesutnyttjande, GPU-utnyttjande, nätverksbeteende, diskaktivitet och arbetslastens status hjälper till att koppla samman IT-beteendet med konsekvenser för den operativa tekniken, såsom strömförbrukning, värmeavgivning, flödeskrav och termiska risker.

En abstraktion på racknivå tar inte hänsyn till om det är en specifik arbetslast, nod eller komponent som styr infrastrukturens tillstånd. Det är därför som simulering av AI-fabriker måste kombinera IT- och OT-data: anläggningen skapar inte värde genom att hålla rummen kalla; anläggningen skapar värde genom att göra det möjligt för dyra datarack att köras med högsta möjliga säkra utnyttjandegrad. Schneider Electric och NVIDIA:s referensdesign kopplar uttryckligen AI-fabriker till driftspunkter som MaxP och MaxQ, där MaxQ möjliggör fler tokens per watt när strömbegränsningar kräver optimerad beräkningskapacitet.

CFD-simuleringar kan användas för att testa luftflöde, temperatur, hastighet, tryck och kylningsbeteende både mot referensvärden och i olika ”tänk om”-scenarier. Det praktiska användningsfallet är enkelt: utgå från ett standardrum, lägg till en större AI-last eller flytta värmebelastningen från ett rack till ett annat, och se om kylluftsflödet, kylkapaciteten och inneslutningsstrategin fortfarande klarar lasten. I luftkylda miljöer eller hybridmiljöer kräver en hypotetisk förändring inte alltid en fullständig omdragning av kablar eller rör. Modellen kan i stället justera värmeavledningsprofilen och testa det resulterande termiska beteendet.

Med hjälp av elsimulering kan man beräkna hur ett fel eller ett underhållsbehov påverkar den tillgängliga IT-kapaciteten. Ett praktiskt scenario är en utslagen undercentral i kombination med att en annan komponent försätts i underhållsläge. Simuleringen kan visa om anläggningen fortfarande upprätthåller den krävda redundansnivån och hur mycket IT-effekt som måste begränsas för att bevara N+1-beteendet.

Resultatet kan sedan användas för att ta fram regler för schemaläggning av arbetsbelastning, effektbegränsningar eller frekvenssänkningar innan operationerna påbörjas ETAPs elektriska digitala tvilling stöder avancerad design och simulering av elsystem, dynamisk analys av ”tänk om”-scenarier, realtidsövervakning av prestanda för elektrisk infrastruktur, optimering av energieffektivitet, prediktivt underhåll samt infrastrukturplanering baserad på energiförbrukning.

Simulering kan utvärdera effekterna av att byta ut en generation av GPU:er mot en annan genom att testa konsekvenserna för strömförbrukning, kylning och konstruktion innan inköp eller byggnation. Ett praktiskt exempel är att välja ett rack i modellen och testa en framtida, tyngre plattform med högre densitet för att förstå om golvet, rördimensioneringen, kylkretsen och den elektriska infrastrukturen kan hantera förändringen.

Detta är viktigt eftersom AI-fabriker uppdateras snabbare än traditionella anläggningar och nästa generations rackplattformar kan medföra förändringar vad gäller vikt, värmeavledning, rördimensionering, flödeskrav och effekttäthet.

Simulering håller på att bli ett praktiskt krav för AI-fabriker, eftersom kostnaden för försiktiga antaganden eller designfel är för hög. Om ett högvärdigt rack endast kan utnyttjas till 90 % på grund av att anläggningspersonalen saknar förtroende för kylningen, strömförsörjningen eller reservkapaciteten, går operatören miste om betydande kapacitet i byggnadens mest värdefulla tillgång.

AI-fabriker kräver simulering eftersom anläggningens design, arbetslastens beteende och utnyttjande är nära sammankopplade. ETAP-effektsimulering, CFD, realtidstelemetri och visuella ”tänk om”-scenarier hjälper operatörerna att testa de förhållanden som avgör om AI-fabriken kan drivas nära gränsen på ett säkert sätt. OpenUSD--baserade digitala tvillingar löser dessutom problemet med isolerade data och verktyg genom att möjliggöra systemövergripande analys som spänner över design, byggnation och drift.