人工智能（AI）的快速发展给数据中心管理带来了可持续性挑战，主要源于高功率密度机架带来的高碳排放和极短的冷却响应时间。尽管机器学习（ML）在智能化管理方面具有潜力，但其落地仍受到安全性和可靠性的制约。为此，我们提出一种多物理场驱动的机器学习（MPIML）框架，将物理先验融入数据驱动模型，以提升精度和安全性。我们构建了一个由 DCLib（设施建模）、DCTwin（高保真多物理场仿真）和 DCBrain（决策优化）三大核心引擎组成的系统架构。基于该体系，可支持碳感知 IT 调度、安全感知冷却控制、电池健康预测等关键预测式与处方式应用。在一个工业级数据中心冷却控制案例中，MPIML 相较传统方法可每年减少最高 20 万吨碳排放，同时满足各项运行约束。最后，我们总结了实现自主化、可持续数据中心所面临的主要挑战，并提出未来的研究方向。
Read More