چالش های قدرت مرکز داده هوش مصنوعی: رفع تنگناهای رک

High-density AI data center GPU racks with power infrastructure

مراکز داده هوش مصنوعی در حال بازنویسی قوانین طراحی زیرساخت های قدرت هستند. یک رک از سرورهای CPU معمولی زمانی حدود 10 کیلو وات می کشید. یک رک کاملاً پیکربندی شده NVIDIA GB200 NVL72 اکنون تقریباً 120 کیلووات می‌کشد و نقشه‌های راه برای سال 2026 از قبل به سمت رک‌های نزدیک به 600 کیلووات اشاره دارد. در همان زمان،آژانس بین‌المللی انرژی پیش‌بینی می‌کند تا سال 2030 تقاضای برق مرکز داده جهانی بیش از دو برابر شود و به حدود 945 تراوات ساعت برسد.، با هوش مصنوعی به عنوان بزرگترین محرک. برای اپراتورها، این سوال اصلی را تغییر می دهد. دیگر نیست"آیا ما ظرفیت کل کافی داریم؟"اما"آیا معماری قدرت ما می تواند برق تمیز، اضافی و قابل مشاهده را از اتصال ابزار تا هر رک{0}}GPU با چگالی بالا ارائه دهد؟"

واقعاً یک رک هوش مصنوعی به چه مقدار نیرو نیاز دارد؟

"قدرت به طور قابل توجهی بیشتر" یک عدد برنامه ریزی نیست. پاسخ صادقانه این است که قدرت رک هوش مصنوعی به پلتفرم GPU، هدف افزونگی و روش خنک‌کننده بستگی دارد، اما نقاط مرجع عمومی اکنون به اندازه کافی ملموس هستند که بتوان با آن طراحی کرد.

AI rack power density comparison

رک{0}منظوره CPU عمومی:تا حدود 12 کیلو وات
قفسه کلاس H100 با هوا خنک-:تقریباً 40 کیلو وات، نزدیک سقف عملی هوا.
NVIDIA GB200 NVL72:تقریباً 120 کیلو وات در هر رک، و حدود 132 کیلو وات به طور کامل پیکربندی شده، از طریق قفسه های برق متعدد در تغذیه سه فاز 415-480 ولت به یک باسبار DC تحویل داده می شود.
نسل بعدی (نقشه راه 2026):سیستم های رک-در مقیاس 240-600 کیلووات پیش بینی شده است.

برای زمینه در مورد اینکه این چقدر شدید است:نظرسنجی جهانی 2025 موسسه Uptimeمیانگین چگالی رک تقریباً 9 کیلووات است و بیش از 80 درصد اپراتورها هنوز هیچ قفسه‌ای بالاتر از 30 کیلووات گزارش نمی‌کنند.کمتر از 1% اپراتورها رک های بالای 100 کیلو وات را اجرا می کنندو آنهایی که این کار را انجام می دهند عمدتاً محاسبات سنتی-با عملکرد بالا را اجرا می کنند. به عبارت دیگر، یک غلاف GB200 از یک ساختمان می خواهد کاری را انجام دهد که 99 درصد صنعت هرگز انجام نداده است. این شکاف، نه مگاوات خام، جایی است که اکثر پروژه های قدرت هوش مصنوعی با مشکل مواجه می شوند.

چرا بارهای کاری هوش مصنوعی، فرضیات قدرت قدیمی را می شکند؟

آموزش هوش مصنوعی، استنتاج و HPC به خوشه های متراکمی از شتاب دهنده ها، سرورها، ذخیره سازی و شبکه سنگینی ازشبکه فیبر-سرعت بالا. این سیستم ها مانند فناوری اطلاعات سازمانی معمولی رفتار نمی کنند. یک قفسه سنتی حول یک قرعه کشی ثابت برنامه ریزی شده بود. یک رک هوش مصنوعی اوج قدرت بسیار بالاتری را افزایش می دهد و مصرف آن را به شدت تغییر می دهد، زیرا GPU ها به هم نزدیک می شوند. وقتی ده‌ها رک این کار را همزمان انجام می‌دهند، اثر از کابینت عبور می‌کند و به مدارهای شاخه، PDUهای رک، مسیرهای توزیع، ماژول‌های UPS و کارخانه خنک‌کننده می‌رسد.

به همین دلیل است که{0}}قدرت آماده هوش مصنوعی باید به عنوان یک سیستم-به-در نظر گرفته شود. ورودی ابزار، تابلو برق، UPS، توزیع، راهرو، رک PDU، مانیتورینگ، و خنک‌کننده موارد خط خرید جداگانه در اینجا نیستند. آنها یک زنجیره واحد هستند و زنجیره تنها به اندازه ضعیف ترین حلقه آن قابل استقرار است.

AI data center power path from utility to GPU rack

چالش های قدرت مرکز داده حیاتی هوش مصنوعی

1. تراکم توان رک از زیرساخت های قدیمی پیشی می گیرد

مشهودترین چالش این است که فضای کف و ظرفیت الکتریکی دیگر یکسان نیستند. اتاقی که 8 تا 10 کیلو وات در هر کابینت دارد، نمی تواند میزبان یک رک 120 کیلوواتی باشد، فقط به این دلیل که کاشی خالی است.

این در عمل به چه معناست:در یک مقاوم سازی، اولین دیوار به ندرت دارای ظرفیت کامل است. این تعداد انشعاب-مدار، ظرفیت راهرو، بارگیری از کف (یک قفسه کلاس GB200 بیش از 1300 کیلوگرم است) یا به سادگی فاصله درب و راهرو است. بسیاری از اتاق‌ها، مدت‌ها قبل از اینکه مگاوات سالن تمام شود، آمپر قابل تحویل در هر کابینت، و فضای سر ساختاری تمام می‌شود. ظرفیت را هم در سطح رک و هم در سطح کلاستر برنامه ریزی کنید و تأیید کنید که واقعاً چند آمپر قابل استفاده می توانید در هر کابینت فرود بیایید.

2. پویا GPU بارهای استرس UPS پاسخ گذرا

بارهای هوش مصنوعی پشت سر هم و همگام هستند. یک گام جمعی-کاهش یا نوشتن نقطه بازرسی می‌تواند ترسیم یک خوشه را ده‌ها درصد در میلی‌ثانیه تغییر دهد، سپس دوباره آن را رها کند.

این در عمل به چه معناست:در یک یو پی اس دو تبدیل-، این نوسانات به عنوان پله های باری ظاهر می شوند که اینورتر و بای پس استاتیک باید به طور تمیز از آن عبور کنند. زیر-شکن‌های هماهنگ می‌توانند باعث آزار-سفر در حرکت صعودی شوند و یک تمرین چند روزه- را از بین ببرند. ماژول‌های UPS موازی ضعیف به اشتراک گذاشته شده می‌توانند در طول گذرا با یکدیگر مبارزه کنند. UPS و حفاظت را برای مراحل بارگذاری سریع مشخص کنید و هماهنگی شکن را در برابر مشخصات بار واقعی، نه میانگین پلاک نام، تأیید کنید. ذخیره‌سازی باتری در سایت به طور فزاینده‌ای برای جذب این نوسانات در مقیاس تسهیلات استفاده می‌شود.

3. توزیع توان با چگالی بالا برای قفسه‌های GPU

یک مسیر توزیع ثابت که برای بارهای سازمانی استاتیک کار می کند، به ندرت از ردیف های متراکم GPU، رشد مرحله ای و فیدهای اضافی A/B به طور همزمان پشتیبانی می کند.

این در عمل به چه معناست:در فیدهای A/B، آزمون واقعی مورد شکست است. هنگامی که یک مسیر سقوط می کند، مسیر بازمانده باید بار کامل قفسه را بدون تجاوز از شکن های آن یا کابینت های مجاور گرسنه حمل کند. اندازه هر خوراک برای ظرفیت N به جای بار اضافی یک اشتباه رایج و گران است. اتوبوس بالای سر اغلب افزایش یا جابجایی ظرفیت را نسبت به شلاق های ثابت آسان تر می کند، اما انتخاب درست به تراکم، چیدمان اتاق و استراتژی نگهداری بستگی دارد.

توزیع همچنین جایی است که کابل کشی با قدرت برای سینی ها و مجراهای مشابه رقابت می کند. یک غلاف 120 کیلوواتی صدها اتصال فیبر را به سوئیچ های برگ و ستون مهره خاتمه می دهد و این فیبر مسیریابی و مسیرهای جریان هوا را با تغذیه برق به اشتراک می گذارد. در ردیف های متراکم،کابل کشی ترانک MPO/MTPتعداد اتصالات و حجم زیاد را قابل کنترل نگه می دارد تا جریان هوا یا دسترسی به سرویس را مسدود نکند. دسترسی نیز اهمیت دارد: پیوندهای کوتاه GPU-به-برگ معمولاً در حالت چند حالته اجرا می‌شوند، در حالی که پیوندهای ستون فقرات و دانشگاه بهفیبر تک حالت - (OS2).برای مسافت های طولانی تر

4. کیفیت برق به یک مسئله تداوم کسب و کار تبدیل می شود

در تاسیسات هوش مصنوعی، کیفیت برق فقط یک نگرانی الکتریکی نیست. این به طور مستقیم بر زمان کار، عمر سخت افزار و اینکه آیا یک دوره آموزشی زنده می ماند یا خیر تأثیر می گذارد.

این در عمل به چه معناست:بارهای حالت-کلست-سوئیچ فاکتور بالا-و خاموش‌های تک فاز نامتعادل-تپ- جریان‌های خنثی، اعوجاج هارمونیک و عدم تعادل فاز را به سمت بالا می‌رانند. در صورت عدم نظارت، عدم تعادل معمولا ابتدا به عنوان یک اتصال داغ یا یک شاخه قطع شده نشان داده می شود، نه به عنوان هشدار داشبورد مرتب. از آنجایی که فناوری اطلاعات گران است و قطعی برق پرهزینه است، به جای اینکه منتظر بمانید تا یک قطع کننده مشکل را برای شما پیدا کند، کیفیت برق را به طور مداوم کنترل کنید.

5. برق و سرمایش باید با هم برنامه ریزی شود

هر وات تحویل داده شده به IT تبدیل به گرمایی می شود که باید حذف شود. بیش از 30 کیلووات در هر رک، خنک‌کننده هوا دیگر قابل دوام نیست، به همین دلیل است که خنک‌کننده مایع مستقیم-به-تراشه اکنون برای سیستم‌های کلاس GB200 استاندارد است.کمیته TC 9.9 ASHRAEیک کلاس با چگالی بالا (H1) به دستورالعمل‌های حرارتی خود اضافه کرد و در سال 2024 یک بولتن فنی در مورد مرزبندی واحد توزیع مایع خنک‌کننده (CDU)، اینرسی حرارتی برای تغییرات بار ناگهانی و مدل‌سازی گذرا منتشر کرد.

این در عمل به چه معناست:صفحات سرد قسمت اعظم گرمای GPU را به یک CDU منتقل می‌کنند، اما 10 تا 20 درصد از بار رک (حافظه، کارت‌های شبکه، اپتیک، تبدیل برق) می‌تواند با هوا خنک بماند، بنابراین اتاق همچنان به کنترل هوا نیاز دارد. محل قرارگیری CDU، دمای منبع خنک کننده (معمولاً در حدود 25 تا 45 درجه)، تعادل جریان، و مسیریابی تشخیص نشتی همگی باید قبل از رسیدن قفسه تنظیم شوند. فن -از هر سوئیچ به سرورها - خارج می‌شودکابل کشی شکست MPO/MTP- باید عمداً مسیریابی شود تا هرگز در مسیری که خنک‌کننده به آن وابسته است قرار نگیرد.

ظرفیت برق را بدون تأیید رد حرارت تأیید نکنید. خنک‌کننده‌ای که نمی‌تواند بار را از بین ببرد، رایج‌ترین دلیلی است که-ظرفیت توان با چگالی بالا در جریان و غیرقابل استفاده قرار می‌گیرد.

Liquid cooling and power design for AI GPU racks

6. دید محدود، برنامه ریزی ظرفیت را مخاطره آمیز می کند

نظارت در سطح اتاق یا سطح UPS{1}} دقیقاً آنچه را که در یک سالن هوش مصنوعی مهم است پنهان می کند: عدم تعادل در هر-فاز، اضافه بار موضعی، رک-قطعات سطح، محدودیت های مدار انشعاب-، افزونگی کاهش یافته، و ظرفیت رشته.

این در عمل به چه معناست:PDUهای رک هوشمند با هر-نمونه‌سنجی خروجی، انشعاب-نظارت مدار، تله متری UPS و یکپارچه‌سازی DCIM به یک تیم اجازه می‌دهند به سه سؤال به‌طور هم‌زمان پاسخ دهند - اینکه اکنون چقدر ظرفیت استفاده می‌شود، خطر کجاست و چه مقدار بار اضافی هوش مصنوعی می‌تواند به صورت ایمن اضافه شود. بدون آن جزئیات، برنامه ریزی ظرفیت حدس و گمان است و اولین نشانه یک مشکل یک سفر است.

7. مقیاس پذیری و محدودیت های شبکه استقرار آهسته هوش مصنوعی

رشد هوش مصنوعی اکنون از چرخه های برنامه ریزی سنتی پیشی گرفته است. حتی با فضای طبقه، سایت ممکن است فاقد ابزار، UPS، توزیع یا ظرفیت خنک‌کننده برای نسل بعدی GPU باشد. با تقاضای مرکز دادهحدود 15 تا 17 درصد در سال افزایش می یابد، زمان پایان اتصال به ابزار در بازارهای محدود به چندین سال کشیده شده است، به همین دلیل است که برخی از توسعه دهندگان به تولید سایت و ذخیره سازی باتری روی- روی آورده اند.

این در عمل به چه معناست:طراحی برای رشد مرحله‌ای به‌جای تولید سخت‌افزار واحد - یو پی اس مدولار، توزیع قابل ارتقا، افزودن ظرفیت مبتنی بر busway، بلوک‌های قدرت رک استاندارد، و افزونگی و نقاط ماشه واضح. هدف، ظرفیت قابل استفاده، قابل استقرار و نگهداری در طول زمان است، نه بزرگترین سیستم ممکن در یک روز-.

طراحی قدرت مرکز داده سنتی در مقابل هوش مصنوعی

منطقه	مرکز داده سنتی	مرکز داده هوش مصنوعی
تراکم قفسه	متوسط، قابل پیش بینی (اغلب کمتر از 10 کیلو وات)	بالا و سریع (100 کیلو وات + در هر رک ممکن است)
رفتار بارگذاری	نسبتا پایدار	پویا، انفجاری، هماهنگ
مدل برنامه ریزی	سطح اتاق -سطح یا ردیف-	رک-سطح و کلاستر-
اولویت یو پی اس	ظرفیت و زمان اجرا پشتیبان	ظرفیت، افزونگی و پاسخ گذرا
توزیع	ثابت یا آهسته تغییر-	منعطف و توسعه-آماده است
نظارت	سطح اتاق، یو پی اس یا رک	سطح سیستم، شاخه، فاز، قفسه و خروجی
رابطه خنک کننده	اغلب به طور جداگانه برنامه ریزی می شود	از ابتدا با قدرت هماهنگ شده است. خنک کننده مایع رایج
ریسک اصلی	ظرفیت کل ناکافی	ظرفیت رشته، اضافه بار، ناپایداری، محدودیت های حرارتی

نحوه برنامه‌ریزی زیرساخت‌های برق برای قفسه‌های هوش مصنوعی{0} با چگالی بالا

مرحله 1: تعریف رک-سطح و کلاستر{2}}سطح تقاضا

از حجم کار و برنامه سخت افزاری شروع کنید. قرعه کشی هر رک، هر خوشه، و هر مرحله استقرار، از جمله GPU، سرورها، شبکه، ذخیره سازی، و رک{1}}دستگاه قدرت سطح را تخمین بزنید. از فرضیات رشد واقع بینانه استفاده کنید - سخت افزار هوش مصنوعی به سرعت تغییر می کند، بنابراین یک روز{4}}یک بار هدف طراحی اشتباه است.

مرحله 2: ظرفیت بالادستی و افزونگی را بررسی کنید

مسیر کامل را طی کنید: سرویس برق، تابلو برق، ترانسفورماتور، یو پی اس، پانل های توزیع، گذرگاه یا کابل، PDU های رک، مدارهای انشعاب، و تغذیه A/B. تأیید کنید که سیستم هم از بار مورد انتظار و هم سطح افزونگی در شرایط تعمیر و نگهداری یا خطا پشتیبانی می کند، نه فقط در حالت عادی.

مرحله 3: معماری UPS را با رفتار بارگذاری هوش مصنوعی مطابقت دهید

کل کیلووات را به گذشته نگاه کنید. پاسخ گذرا، مقیاس پذیری، افزونگی (N+1 یا 2N)، بازده بار جزئی-، زمان اجرای باتری، عملکرد موازی و نظارت را ارزیابی کنید. یو پی اس ماژولار زمانی مفید است که خوشه به صورت فازی گسترش یابد، زیرا در روز اول بدون افزایش اندازه، ظرفیت را اضافه می کند.

مرحله 4: توزیع انرژی انعطاف پذیر را انتخاب کنید

ردیف‌های با تراکم بالا معمولاً به انعطاف‌پذیری بیشتری نسبت به طرح‌های پانل-و-استاتیک نیاز دارند. توزیع پانل سنتی، راهروهای بالای سر، PDUهای رک با چگالی بالا، فیدهای دوگانه و اندازه گیری هوشمند را مقایسه کنید. یک سالن جدید هوش مصنوعی اغلب اندازه اتوبوس را برای تراکم آینده توجیه می کند. یک مقاوم سازی ممکن است به پانل های موجود محدود شود.

مرحله 5: قدرت و خنک کننده را قبل از استقرار هماهنگ کنید

قبل از نصب قفسه ها، فناوری خنک کننده، مسیر جریان هوا، نیازهای خنک کننده مایع، مکان CDU، دما و جریان مایع خنک کننده، بارگذاری کف، دسترسی به سرویس و تشخیص نشت را تأیید کنید. این امر از شکست کلاسیک ناشی از داشتن ظرفیت الکتریکی کافی اما عدم توانایی در کارکردن قفسه در بار کامل جلوگیری می کند.

مرحله 6: ساخت برای توسعه مرحله ای

سیستم قدرت را به عنوان یک نقشه راه در نظر بگیرید. یک روز-ظرفیت، ظرفیت توسعه، نقاط ماشه ای برای ارتقاء UPS یا توزیع، آستانه نظارت، نیازمندی های افزونگی و مراحل بودجه را تعریف کنید، بنابراین مهندسی، عملیات و تدارکات یک طرح را به اشتراک می گذارند.

چک لیست برنامه ریزی نیرو مرکز داده هوش مصنوعی

لایه	چه چیزی را تایید کنیم	نقطه شکست رایج
تاسیسات و تابلو برق	ظرفیت اتصال تائید شده و تاریخ واقعی انرژی دهی	زمان‌های چند-ساله در بازارهای محدود
یو پی اس	فضای سر کیلووات، پاسخ گذرا، افزونگی، بازده بار جزئی-	اندازه برای حالت ثابت، نه مراحل بارگذاری میلی ثانیه
توزیع	Busway/PDU ampacity; فیدهای A/B با اندازه مورد خرابی	اندازه هر خوراک برای N به جای بار اضافی کامل است
رک PDU	به ازای اندازه‌گیری خروجی، رتبه‌بندی صحیح دوشاخه و قطع کننده، تعادل فاز	قبل از اینکه کابینت از نظر فیزیکی پر شود، شعبه اضافه بار است
خنک کننده	ظرفیت DLC/CDU، دما و جریان خنک کننده، بار هوای باقیمانده، تشخیص نشت	برق بدون تایید رد حرارت تایید شده است
کابل کشی	تنه فیبر و مسیر شکستگی خارج از جریان هوا حفظ می شود. دسترسی به سرویس حفظ شد	تراکم کابل جریان هوا و نگهداری را مسدود می کند
نظارت	قابلیت دید سیستم، شاخه، فاز، قفسه و خروجی؛ ادغام DCIM	ظرفیت سرگردان و عدم تعادل نامرئی تا یک سفر
ساختاری	بارگیری از کف برای قفسه های 1300 کیلوگرمی. فاصله درب و راهرو	رک نمی تواند به صورت فیزیکی وارد شود یا از آن پشتیبانی شود

چه چیزی را در AI{0}}راه حل های آماده قدرت جستجو کنیم

یو پی اس ماژولارارزش آن را دارد که استقرار در مراحل رشد کند. ظرفیت را اضافه می کند و تعمیر و نگهداری را بدون پرداخت هزینه برای کیلووات استفاده نشده در روز اول ساده می کند.

توزیع{0}}چگالی بالا.Busway یا سایر سیستم‌های انعطاف‌پذیر در ردیف‌هایی که {0}در حال تغییر سریع هستند، جایی که قفسه‌ها اضافه می‌شوند یا جابه‌جا می‌شوند، و جایی که تغذیه دوگانه و نگهداری ایمن اهمیت دارند، نتیجه می‌دهند.

رک هوشمند PDU.دید در هر {0}خروجی یا در هر{1}}قفسه به تیم ها امکان می دهد عدم تعادل را تشخیص دهند، از اضافه بار جلوگیری کنند و ظرفیت را به طور دقیق برنامه ریزی کنند. این لایه ای است که اغلب در زیر-بیلدهای هوش مصنوعی مشخص شده است.

نظارت بر کیفیت برقبه دنبال دید در ولتاژ، جریان، ضریب توان، هارمونیک ها، تعادل فاز و روند بار باشید، بنابراین مسائل قبل از قطع شدن ظاهر می شوند.

ادغام DCIMاتصال داده های برق با داده های حرارتی و استفاده از قفسه چیزی است که نظارت را به برنامه ریزی ظرفیت تبدیل می کند. هنگامی که شبکه بخشی از همان ساخت است، یک مهندسراهنمای انتخاب MTP در مقابل MPOکمک می کند تا سمت فیبر قفسه به اندازه قسمت برقی عمدی باشد.

اشتباهات رایجی که باید از آنها اجتناب کنید

برنامه ریزی فقط برای کل ظرفیت تسهیلات.یک سایت می تواند به اندازه کافی مگاوات داشته باشد و همچنان در رک شکست بخورد. محدودیت‌های سطح رک-سطح و شاخه-را بررسی کنید.
در نظر گرفتن خنک کردن به عنوان یک تصمیم بعدی.خنک‌سازی برنامه‌ریزی‌شده پس از برق، علت اصلی کاهش ظرفیت است.
نادیده گرفتن رفتار بار پویاطراحی برای پاسخ گذرا و کیفیت توان، نه بار متوسط.
در زیر-تعیین نظارت.دید محدود به معنای عیب یابی کند و برنامه ریزی ظرفیت غیرقابل اعتماد است.
ساخت یک معماری سفت و سخت.سخت افزار هوش مصنوعی در چند ماه تکامل می یابد. یک طرح ثابت قبل از پایان عمر تاسیسات به یک گلوگاه تبدیل می شود.

سوالات متداول

س: یک رک هوش مصنوعی به چه مقدار نیرو نیاز دارد؟

پاسخ: به پلت فرم بستگی دارد، اما نقاط مرجع مشخص هستند: یک رک CPU همه منظوره تا حدود 12 کیلو وات، یک رک با هوا-کلاس H100 حدود 40 کیلو وات و یک NVIDIA GB200 NVL72 کاملاً پیکربندی شده تقریباً 113220 کیلووات قدرت دارد. نقشه راه 2026 به 240 تا 600 کیلووات در هر رک اشاره دارد.

س: آیا مراکز داده موجود می توانند از رک های هوش مصنوعی پشتیبانی کنند؟

A: برخی می توانند، اما بسیاری نیاز به ارتقا دارند. عامل محدود کننده معمولاً قدرت قفسه، ظرفیت UPS، توزیع، خنک‌کننده، بارگذاری کف، یا نظارت - است، نه توان کل تأسیسات. قبل از استقرار، ارزیابی توان و سرمایش کامل مورد نیاز است.

س: آیا مراکز داده هوش مصنوعی همیشه به خنک کننده مایع نیاز دارند؟

پاسخ: نه همیشه. استقرارهای{1}}هوش مصنوعی با چگالی کمتر همچنان می‌توانند از خنک‌کننده هوای بهینه استفاده کنند. بیش از تقریباً 30 کیلو وات در هر رک، خنک‌کننده هوا دیگر قابل دوام نیست، بنابراین سیستم‌های کلاس GB200-از خنک‌کننده مستقیم مایع{6}}به تراشه، معمولاً با CDU و آب تأسیسات در محدوده 25-45 درجه استفاده می‌کنند.

س: چرا بارهای کاری هوش مصنوعی بر پایداری انرژی تأثیر می گذارد؟

پاسخ: آموزش هوش مصنوعی گروه های بزرگی از پردازنده های گرافیکی را همگام می کند که هنگام شروع کار، ایست بازرسی یا تغییر فاز، با هم بالا و پایین می شوند. این نوسانات هماهنگ، گذرهای سریع قدرت را ایجاد می کنند که بر سیستم های UPS، PDU ها و توزیع بالادست فشار وارد می کند.

س: کدام UPS برای مراکز داده هوش مصنوعی بهترین است؟

پاسخ: هیچ پاسخ واحدی وجود ندارد، اما برای بارهای هوش مصنوعی، عوامل تعیین‌کننده پاسخ گذرا، مقیاس‌پذیری، افزونگی، و بازده بار جزئی به جای کیلووات کل به تنهایی هستند. UPS ماژولار برای خوشه های فازی مناسب است زیرا ظرفیت را می توان با افزایش استقرار اضافه کرد.

س: چگونه از ظرفیت برق رشته ای جلوگیری می کنید؟

پاسخ: قبل از تأیید برق، خنک‌سازی را تأیید کنید، مدار{0}}و ظرفیت PDU را در هر رک تأیید کنید، و در سطح انشعاب، فاز، قفسه و خروجی نظارت کنید. بیشتر ظرفیت رشته‌ای ناشی از خنک‌سازی است که نمی‌تواند گرما را حذف کند، یا از محدودیت‌های شاخه‌ای که بدون اندازه‌گیری دانه‌ای نامرئی هستند، ناشی می‌شود.

س: نقش PDU های رک هوشمند در مراکز داده هوش مصنوعی چیست؟

پاسخ: PDUهای رک هوشمند، دید-سطح و خروجی{1}}سطح قفسه را فراهم می‌کنند که به تیم‌ها امکان می‌دهد بار را ردیابی کنند، عدم تعادل فاز را بگیرند، از اضافه بار جلوگیری کنند و ظرفیت را با دقت برنامه‌ریزی کنند. در محیط‌های با تراکم بالا، این دانه‌بندی چیزی است که گسترش ایمن را ممکن می‌کند.

س: معماری قدرت آماده AI چیست؟

پاسخ: این یک سیستم مقیاس‌پذیر، نظارت‌شده و اضافی است که توان قابل اعتمادی را از منبع ابزار به رک‌های{0}GPU با چگالی بالا ارائه می‌کند. معمولاً ظرفیت مناسب یو پی اس و پاسخ گذرا، توزیع انعطاف پذیر، PDU های هوشمند، نظارت بر کیفیت توان و خنک کننده هماهنگ با برق از ابتدا را ترکیب می کند.

غذای آماده نهایی

طراحی برق مرکز داده هوش مصنوعی در مورد افزودن ظرفیت الکتریکی بیشتر نیست. این در مورد ارائه توان قابل استفاده - به صورت ایمن، قابل مشاهده و قابل اطمینان - به رک هایی است که می توانند بیش از ده برابر زیرساخت های قدیمی برای آن ساخته شده باشند. از شبکه به رک برنامه ریزی کنید، توان را با خنک کننده هماهنگ کنید، در سطح شاخه و خروجی نظارت کنید و برای نسل بعدی GPU به جای نسل فعلی طراحی کنید. قبل از استقرار، چگالی رک، مسیرهای توزیع، عملکرد گذرا UPS، کیفیت توان، نظارت و خنک کننده را با هم ارزیابی کنید. سیستم قدرتی که به این روش ساخته شده است، کاری بیش از جلوگیری از قطعی برق است. این اجازه می دهد تا زیرساخت های هوش مصنوعی به جای توقف در اولین گلوگاه، بر اساس برنامه زمان بندی شوند.