Google: машинное обучение DeepMind сократило энергию на охлаждение дата-центра до 40%

Дата-центры Google, на которых работают Search, Gmail и YouTube, выделяют много тепла, и охлаждение остаётся одной из главных статей их энергопотребления. Его обеспечивает крупное промышленное оборудование: насосы, чиллеры, градирни. Оптимально управлять им сложно. Оборудование, режимы его работы и внешняя среда взаимодействуют нелинейно, и инженерные формулы вместе с опытом операторов эти связи часто не улавливают. Система медленно подстраивается под внутренние изменения и погоду, поскольку правила для каждого сценария работы прописать невозможно. Кроме того, у каждого дата-центра своя архитектура и среда, и модель, настроенная для одного объекта, может не подойти другому. По словам компании, энергоэффективность была её приоритетом последние десять лет: собственные серверы, новые способы охлаждения, вложения в возобновляемую энергетику. Крупные прорывы при этом редки, а дата-центры Google и без того работают на высоком уровне эффективности. Компания рассчитывает, что технология повысит энергоэффективность и сократит выбросы, а также поможет клиентам Google Cloud улучшить собственные показатели.

В основе решения — ансамбль глубоких нейросетей, обученный на исторических данных, которые уже собирали тысячи датчиков внутри дата-центра: температуры, мощность, скорости насосов, уставки. Целевой метрикой модели выбран средний будущий PUE (Power Usage Effectiveness) — отношение энергопотребления всего здания к энергопотреблению ИТ-оборудования. Ещё два ансамбля нейросетей прогнозируют температуру и давление в дата-центре на час вперёд. С их помощью рекомендованные PUE-моделью действия заранее моделируются, чтобы система не выходила за рабочие ограничения. Модель выдаёт рекомендации по управлению охлаждением; на графике типичного дня испытаний компания показывает периоды, когда рекомендации включали и отключали. Google описывает алгоритм как универсальный инструмент для понимания сложной динамики и рассматривает его применение в других задачах: повышение КПД электростанций, снижение расхода энергии и воды в производстве полупроводников, рост пропускной способности производств.

Google начала применять машинное обучение для управления дата-центрами примерно за два года до публикации. В течение нескольких месяцев перед ней исследователи DeepMind совместно с командой дата-центров Google занимались существенной доработкой системы. Модель испытали на одном работающем дата-центре. Результаты компания опубликовала 20 июля 2016 года и сообщила о планах развернуть систему шире, а также раскрыть детали метода в отдельной публикации для других операторов дата-центров и промышленных систем.