数据中心数字孪生的可持续性与强化学习
利用多主体强化学习(MARL)框架,提出了一种数据中心碳足迹减少(DC-CFR)的方法,该方法在实时环境下,通过优化冷却、负载转移和能量存储,有效地解决了能源效率和碳排放减少等复杂目标之间的相互依赖关系。
Mar, 2024
给定全球对可持续性和减少碳排放的越来越重视,政府和企业不得不重新思考数据中心的设计与运营。这篇论文介绍了 PyDCM,一个可定制的 Python 实现的数据中心模型,它允许用户创建独特的 IT 设备配置,并通过几何 IT 机柜布局进行优化,使用矢量化热计算使得 PyDCM 比当前的 Energy Plus 模型实现快数十倍,并且能够通过 Gymnasium 来实现深度强化学习优化数据中心的冷却效果,为测试各种数据中心设计原型提供了一个用户友好的平台。
Oct, 2023
这篇论文介绍了 PyDCM,它是一个 Python 库,可用于快速构建数据中心的设计和应用强化学习控制,以评估关键的可持续发展指标,包括碳足迹、能源消耗和温度热点等。同时对比了现有 EnergyPlus 对数据中心建模的方法。
Apr, 2024
通过结合博弈论和深度强化学习的方法,本研究在地理分布的数据中心中优化 AI 推理工作负载的分配,以降低碳排放和云服务成本,同时保持性能。实验证明,该策略在减少碳排放和云服务成本方面优于现有技术,并且不会损害计算性能。这对处理不同地理位置的 AI 推理工作负载的数据中心实现可持续性和成本效益具有重要意义。
Apr, 2024
为了解决数据中心的能源消耗和环境影响,文章使用深度强化学习算法 (RARE) 设计了可适应可再生能源的任务调度策略,并证明了该方法相对传统启发式调度策略的性能更佳,同时还可以从离线学习中不断提高。
Nov, 2022
本研究基于 Sinergym 框架对多种先进 DRL 算法在 HVAC 控制中进行了关于舒适度和能源消耗方面的可重复评估,结果表明 SAC 和 TD3 等 DRL 算法在复杂场景下具有潜力,并揭示了与泛化和增量学习有关的若干挑战。
Jan, 2024
本文针对 5G 及更高版本中的高复杂度无线资源管理问题,通过引入基于深度强化学习的云计算和分布式决策方案,并结合压缩算法和空间迁移学习,提出一种实现绿色深度强化学习的架构和算法,为实现绿色智能设备带来了潜在的解决方案。
Oct, 2019
本研究提出一种基于多智能体强化学习和演员 - 评论家方法的算法,通过与真实工作负载模式、能源价格和碳强度相互作用的云系统学习最优的协同调度策略,从而最大化 GPU 利用率、降低运营成本和减少碳排放。与其他算法相比,我们的方法提高了系统效用,最高可达 28.6%。
Apr, 2023
通过在基于物理一致的神经网络 (PCNNs) 上评估 DRL 代理,我们证明了 DRL 代理比基于规则的控制器表现更好,并且实现了接近最优的表现,从而提高了建筑行业的能效
Mar, 2022
本文介绍了 DeepMind 与谷歌最近关于强化学习在商业制冷系统控制方面的最新工作的技术概述。通过在谷歌数据中心更加高效地冷却的专业知识为基础,在与楼宇管理系统供应商特兰科技的合作中,在两个真实世界的设施上进行了实时实验,希望我们描述这些挑战并针对这些挑战调整我们的强化学习系统,使得在两个实验场所分别节能约 9%和 13%。
Nov, 2022