Kunstmatige intelligentie toegepast op datacenterkoeling vertegenwoordigt een van de belangrijkste innovaties op het gebied van industriële energieoptimalisatie.

‍

Het autonome systeem dat is ontwikkeld door Google DeepMind en sinds 2018 operationeel is, heeft aangetoond hoe AI het thermisch beheer van kritieke infrastructuren kan transformeren en concrete resultaten kan boeken op het gebied van operationele efficiëntie.

‍

Innovatie verandert datacenters

‍

De kwestie van energie-efficiëntie

Moderne datacenters zijn enorme energieverbruikers. Volgens Jonathan Koomey, een wereldwijde expert op het gebied van energie-efficiëntie, is koeling goed voor ongeveer 10 procent van het totale elektriciteitsverbruik. Elke vijf minuten maakt het cloudgebaseerde AI-systeem van Google een momentopname van het koelsysteem op basis van duizenden sensoren . Safety-first AI voor autonome datacenterkoeling en industriële besturing - Google DeepMind, analyseert operationele complexiteit die traditionele besturingsmethoden tart.

‍

Het AI-koelsysteem van Google gebruikt diepe neurale netwerken om de impact van verschillende combinaties van acties op het toekomstige energieverbruik te voorspellen, en identificeert welke acties het verbruik minimaliseren en tegelijkertijd voldoen aan robuuste veiligheidsvereisten DeepMind AI verlaagt de koelfactuur van het datacenter van Google met 40% - Google DeepMind

‍

Concrete en meetbare resultaten

De resultaten op het gebied van optimalisatie van koeling zijn significant: het systeem was in staat om consequent een reductie van 40% te bereiken in de energie die wordt gebruikt voor koeling DeepMind AI verlaagt de koelfactuur van het datacenter van Google met 40% - Google DeepMind. Aangezien koeling ongeveer 10% van het totale verbruik uitmaakt, komt dit neer op een totale energiebesparing van ongeveer 4% in het datacenter.

‍

Volgens het oorspronkelijke technische artikel van Jim Gao bereikt het neurale netwerk een gemiddelde absolute fout van 0,004 en een standaardafwijking van 0,005, wat overeenkomt met een fout van 0,4% voor een PUE van 1,1 DeepMind AI verlaagt de koelrekening van het datacenter van Google met 40% - Google DeepMind.

‍

Waar het werkt: datacenters bevestigd

Geverifieerde implementaties

De implementatie van het AI-systeem is officieel bevestigd in drie specifieke datacenters:

Singapore: De eerste significante implementatie in 2016, waar het datacenter teruggewonnen water gebruikt voor de koeling Homepage - Google Data Centers en een 40% reductie in koelenergie liet zien.

‍

Eemshaven, Nederland: Het datacenter gebruikt industrieel water en verbruikte 232 miljoen gallon water in 2023 Homepage - Google Data Centers. Marco Ynema, site lead van de faciliteit, houdt toezicht op de activiteiten van deze geavanceerde faciliteit.

‍

Council Bluffs, Iowa: De MIT Technology Review liet het datacenter in Council Bluffs specifiek zien tijdens een bespreking van Google Cloud's Datacenter Locations: Regions and Availability Zones - Dgtl Infra. Google investeerde 5 miljard dollar in de twee campussen in Council Bluffs, die in 2023 980,1 miljoen gallons water verbruikten China drijft AI Boom aan met onderzeese datacenters | Scientific American.

‍

Een cloudgebaseerd AI-besturingssysteem is nu operationeel en zorgt voor energiebesparingen in meerdere datacenters Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, maar het bedrijf heeft niet de volledige lijst gepubliceerd van faciliteiten die de technologie gebruiken.

‍

Technische architectuur: hoe het werkt

Diepe neurale netwerken en machinaal leren

‍

Volgens patent US20180204116A1 maakt het systeem gebruik van eendeep learning architectuur met precieze technische kenmerken:

• 5 verborgen lagen met 50 knooppunten per laag
• 19 genormaliseerde ingangsvariabelen waaronder thermische belasting, weersomstandigheden, status van apparatuur
• 184.435 trainingssamples met een resolutie van 5 minuten (ongeveer 2 jaar aan operationele gegevens)
• Regularisatieparameter: 0,001 om overfitting te voorkomen

De architectuur maakt gebruik van Model Predictive Control met lineaire ARX-modellen geïntegreerd met diepe neurale netwerken. Bij neurale netwerken hoeft de gebruiker de interacties tussen variabelen in het model niet vooraf te definiëren. In plaats daarvan zoekt het neurale netwerk naar patronen en interacties tussen kenmerken om automatisch een optimaal model te genereren DeepMind AI verlaagt de koelrekening van het datacenter van Google met 40% - Google DeepMind.

‍

Energieverbruiksefficiëntie (PUE): De sleutel

PUE vertegenwoordigt de fundamentele energie-efficiëntie van datacenters:

PUE = totale energie datacenter / energie IT-apparatuur

• PUE Google-vloot: 1,09 in 2024 (volgens milieurapporten van Google)
• Industrieel gemiddelde: 1,56-1,58
• Ideale PUE: 1,0 (theoretisch onmogelijk)

Google heeft de ISO 50001-certificering voor energiebeheer, die strenge operationele normen garandeert maar niet specifiek de prestaties van het AI-systeem valideert.

‍

Modelvoorspellende controle (MPC)

De kern van de innovatie is voorspellende besturing die de toekomstige temperatuur en druk van het datacenter in het volgende uur voorspelt en aanbevolen acties simuleert om ervoor te zorgen dat de operationele beperkingen niet worden overschreden DeepMind AI verlaagt de koelfactuur van het datacenter van Google met 40% - Google DeepMind

‍

‍

Operationele voordelen van AI in koeling

Superieure voorspellende nauwkeurigheid

Na vallen en opstaan zijn de modellen nu 99,6 procent nauwkeurig in het voorspellen van de PUE . Deze nauwkeurigheid maakt optimalisaties mogelijk die onmogelijk zijn met traditionele methoden, waarbij tegelijkertijd de complexe niet-lineaire interacties tussen mechanische, elektrische en omgevingssystemen worden verwerkt.

‍

Voortdurend leren en aanpassen

Een belangrijk aspect is het vermogen om evolutionair te leren. In de loop van negen maanden nam de prestatie van het systeem toe van een verbetering van 12 procent bij de eerste lancering tot een verbetering van ongeveer 30 procent Datacenteroptimalisatie Jim Gao, Google - DocsLib.

Dan Fuenffinger, operator bij Google, merkte op: "Het was verbazingwekkend om te zien hoe AI leerde om te profiteren van winterse omstandigheden en kouder water dan normaal te produceren. Regels verbeteren niet na verloop van tijd, maar AI wel' Datacenterkoeling met behulp van modelvoorspellende controle.

‍

Multi-variabele optimalisatie

Het systeem beheert 19 cruciale operationele parameters tegelijkertijd:

• Totale IT-belasting van servers en netwerken
• Weersomstandigheden (temperatuur, vochtigheid, enthalpie)
• Apparatuurstatus (koelmachines, koeltorens, pompen)
• Instelpunten en operationele regelingen
• Ventilatorsnelheid en VFD-systemen

Beveiliging en controle: gegarandeerd faalveilig

Verificatie op meerdere niveaus

De operationele veiligheid wordt gegarandeerd door redundante mechanismen. De optimale acties die door de AI worden berekend, worden gecontroleerd aan de hand van een interne lijst met door de operator gedefinieerde beveiligingsbeperkingen. Na verzending naar het fysieke datacenter controleert het lokale besturingssysteem de instructies opnieuw . DeepMind AI verlaagt het energieverbruik voor het koelen van de datacenters van Google met 40 procent.

‍

Operators behouden te allen tijde de controle en kunnen de AI-modus op elk moment verlaten, waarbij naadloos wordt overgeschakeld op traditionele regels DeepMind AI verlaagt het energieverbruik voor het koelen van datacenters van Google met 40%.

‍

Beperkingen en methodologische overwegingen

‍

PUE meetwaarden en beperkingen

De industrie erkent de beperkingen van Power Usage Effectiveness als metriek. Uit een onderzoek van het Uptime Institute uit 2014 bleek dat 75 procent van de respondenten vond dat de industrie een nieuwe efficiëntiestandaard nodig had. Problemen zijn onder andere klimaatbias (onmogelijk om verschillende klimaten te vergelijken), tijdmanipulatie (metingen tijdens optimale omstandigheden) en uitsluiting van componenten.

‍

Complexiteit van implementatie

Elk datacenter heeft een unieke architectuur en omgeving. Een aangepast model voor het ene systeem is mogelijk niet toepasbaar op een ander systeem, waardoor een algemeen intelligentiekader nodig is DeepMind AI verlaagt de koelfactuur van het datacenter van Google met 40% - Google DeepMind.

‍

Kwaliteit en verificatie van gegevens

De nauwkeurigheid van het model hangt af van de kwaliteit en kwantiteit van de invoergegevens. De fout in het model neemt over het algemeen toe bij PUE-waarden boven 1,14 vanwege de schaarste aan overeenkomstige trainingsgegevens DeepMind AI verlaagt de koelrekening van het datacenter van Google met 40% - Google DeepMind.

Er zijn geen onafhankelijke audits door grote accountantskantoren of nationale laboratoria gevonden, en Google heeft 'geen audits door derden nagestreefd' die verder gaan dan de minimale federale vereisten.

‍

‍

De toekomst: evolutie naar vloeistofkoeling

Technologische overgang

In 2024-2025 verlegde Google het accent drastisch naar:

• +/-400 VDC voedingssystemen voor 1MW racks
• "Project Deschutes" koeldistributie-eenheden
• Directe vloeistofkoeling voor TPU v5p met '99,999% uptime'.

Deze verandering geeft aan dat AI-optimalisatie praktische grenzen heeft bereikt voor de thermische belasting van moderne AI-toepassingen.

Opkomende trends

• Integratie van edge computing: gedistribueerde AI voor lagere latentie
• Digitale tweelingen: Digitale tweelingen voor geavanceerde simulatie
• Focus op duurzaamheid: Optimalisatie voor hernieuwbare energie
• Hybride koeling: AI-geoptimaliseerde vloeistof/lucht-combinatie

Toepassingen en kansen voor bedrijven

Toepassingssectoren

AI-optimalisatie voor koeling heeft ook toepassingen buiten datacenters:

• Industriële installaties: optimalisatie van HVAC-systemen in de productie
• Winkelcentra: Intelligent klimaatbeheer
• Ziekenhuizen: Omgevingscontrole van operatiekamers en kritieke ruimten
• Bedrijfskantoren: Slim gebouw- en faciliteitenbeheer

ROI en economische voordelen

Energiebesparingen op koelsystemen resulteren in:

• Verlaging van de bedrijfskosten van het koelsubsysteem
• Milieuduurzaamheid verbeteren
• Levensduurverlenging van apparatuur
• Verhoogde operationele betrouwbaarheid

Strategische implementatie voor bedrijven

Stappenplan voor adoptie

Fase 1 - Beoordeling: Energie-audit en in kaart brengen van bestaande systemenFase2 - Pilot: Testen in een gecontroleerde omgeving op een beperkt deelFase3 - Uitrol: Geleidelijke uitrol met intensieve monitoringFase4 - Optimalisatie: Continue afstemming en capaciteitsuitbreiding

Technische overwegingen

• Sensorinfrastructuur: volledig bewakingsnetwerk
• Teamvaardigheden: datawetenschap, facilitair beheer, cyberbeveiliging
• Integratie: compatibiliteit met oudere systemen
• Naleving: Veiligheids- en milieuvoorschriften

FAQ - Veelgestelde vragen

‍

1. In welke datacenters van Google is het AI-systeem echt operationeel?

Drie datacenters zijn officieel bevestigd: Singapore (eerste installatie in 2016), Eemshaven in Nederland en Council Bluffs in Iowa. Het systeem is operationeel in meerdere datacenters Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, maar de volledige lijst is nooit openbaar gemaakt.

‍

2. Hoeveel energie bespaart het werkelijk op het totale verbruik?

Het systeem zorgt voor een vermindering van 40% van de energie die wordt gebruikt voor koeling DeepMind AI verlaagt de koelfactuur van het datacenter van Google met 40% - Google DeepMind. Aangezien koeling ongeveer 10% van het totale verbruik uitmaakt, is de totale energiebesparing ongeveer 4% van het totale verbruik van het datacenter.

‍

3. Hoe nauwkeurig is de voorspellingsnauwkeurigheid van het systeem?

Het systeem bereikt 99,6 procent nauwkeurigheid bij het voorspellen van de PUE met een gemiddelde absolute fout van 0,004 ± 0,005, wat overeenkomt met een fout van 0,4 procent voor een PUE van 1,1 Google DeepMindGoogleResearch. Als de echte PUE 1,1 is, voorspelt de AI tussen 1,096 en 1,104.

‍

4. Hoe zorg je voor operationele veiligheid?

Het maakt gebruik van verificatie op twee niveaus: eerst controleert de AI de beveiligingsbeperkingen die door de operators zijn gedefinieerd, daarna controleert het lokale systeem de instructies nogmaals. Operators kunnen de AI-controle altijd uitschakelen en terugkeren naar traditionele systemen . DeepMind AI verlaagt het energieverbruik voor het koelen van datacenters van Google met 40%.

‍

5. Hoe lang duurt het om een dergelijk systeem te implementeren?

Implementatie duurt meestal 6-18 maanden: 3-6 maanden voor gegevensverzameling en modeltraining, 2-4 maanden voor pilottesten, 3-8 maanden voor gefaseerde implementatie. De complexiteit varieert aanzienlijk afhankelijk van de bestaande infrastructuur.

‍

6. Welke technische vaardigheden zijn nodig?

Er is een multidisciplinair team nodig met expertise op het gebied van data science/AI, HVAC-engineering, facility management, cyberbeveiliging en systeemintegratie. Veel bedrijven kiezen voor partnerschappen met gespecialiseerde leveranciers.

‍

7. Kan het systeem zich aanpassen aan seizoensgebonden veranderingen?

Ja, de AI leert automatisch gebruik te maken van seizoensgebonden omstandigheden, zoals het produceren van koeler water in de winter om de koelenergie te verlagen Datacenterkoeling met behulp van modelvoorspellende controle. Het systeem verbetert voortdurend door tijd- en klimaatpatronen te herkennen.

‍

8. Waarom commercialiseert Google deze technologie niet?

Elk datacenter heeft een unieke architectuur en omgeving, waardoor DeepMind AI de koelfactuur van het datacenter van Google met 40% verlaagt - Google DeepMind. De complexiteit van de implementatie, de behoefte aan specifieke gegevens en de vereiste expertise maken direct marketing complex. Na 8 jaar blijft deze technologie exclusief intern bij Google.

‍

9. Zijn er onafhankelijke prestatiebeoordelingen?

Er zijn geen onafhankelijke audits door grote accountantskantoren (Deloitte, PwC, KPMG) of nationale laboratoria gevonden. Google heeft een ISO 50001-certificering, maar 'streeft geen audits door derden na' die verder gaan dan de minimale federale vereisten.

‍

10. Is het toepasbaar op andere sectoren dan datacenters?

Absoluut. AI-optimalisatie voor koeling kan worden toegepast op industriële installaties, winkelcentra, ziekenhuizen, bedrijfskantoren en elke faciliteit met complexe HVAC-systemen. De principes van multivariabele optimalisatie en voorspellende regeling zijn universeel toepasbaar.

‍

Het Google DeepMind AI-koelsysteem vertegenwoordigt een technische innovatie die binnen een specifiek domein incrementele verbeteringen realiseert. Voor bedrijven die energie-intensieve infrastructuren beheren, biedt deze technologie concrete mogelijkheden voor optimalisatie van koeling, zij het met de benadrukte beperkingen van schaal.

‍

Belangrijkste bronnen: Jim Gao Google Research paper, DeepMind Official Blog, MIT Technology Review, Patent US20180204116A1.