Geçtiğimiz yıl içinde büyük ölçekli yapay zekanın, özellikle de ChatGPT gibi yeni üretken yapay zeka uygulamalarının ani demokratikleşmesi, bu uygulamaların barındırıldığı veri merkezlerine bir takım yeni teknik gereksinimler getirdi. Dolayısıyla bunları destekleyen altyapı, tamamı 20 yıldan daha önce inşa edilmiş olabilecek tesislerde, eskisinden daha fazla enerji tüketecek, daha fazla veri işleyecek ve daha fazla bant genişliği kullanacak. Bunların artık, özellikle raf başına yoğunluk açısından, bu yeni büyüklük sıralarını destekleyecek şekilde uyarlanması gerekiyor. Bunu başarmanın tek yolu modüler bir tasarımı benimsemektir.
Veri merkezleri oldukça statik varlıklar gibi görünebilir; Sıra sıra jeneratörlerin ve çok sayıda ekipmanın yer aldığı devasa binalar; tümü, ister normal çalışma koşulları altında ister elektrik şebekesinin tamamen arızalanması durumunda tesisin kesintisiz çalışmasını sağlamak için özenle tasarlandı. Ancak modern veri merkezleri statik olmaktan çok uzaktır; Çoğu kurulum, başlangıçtan itibaren son derece modüler olacak şekilde tasarlanmıştır: Böylece bir zemin, gerekirse yılda birkaç kez ağ topolojisi, hava akışı veya fiziksel yedeklilikteki değişikliğe uyum sağlayacak şekilde gelişebilir. Bunun nedeni nedir ve bunu nasıl başarabiliriz?
Veri merkezlerinde yapay zeka ile ilgili dağıtımların yaygın şekilde ortaya çıkması, müşteri ihtiyaçlarının ne kadar hızlı değişebileceğini gösteriyor. 2022’de bir veri merkezi operatörü, müşteri ekipmanı için raf başına ortalama 10 kilovatlık bir güç tüketimi öngörebilirken, 25, 50 ve hatta 100 kilovatlık raflara olan ihtiyaç giderek daha önemli hale geliyor ve büyüyor. Geleneksel statik tasarımda bu, performans, bakım ve yedeklilik açısından birçok sorun yaratabilir.
Birincisi, bu yoğun rafların en yüksek verimlilik düzeyinde çalışabilmesi için genellikle daha fazla ağ bant genişliğine ihtiyaç duymasıdır. Yeterli bant genişliği elde etmeden yüksek raf yoğunluğunu kullanamayan bir müşteri açısından memnuniyetsizlik yaratabilecek, sıklıkla gözden kaçırılan bir nokta.
İkincisi, bir veri merkezi katındaki güç tüketimindeki eşit olmayan bir artış, bu tür sıcak noktalarla başa çıkmak için tasarlanmamış bir soğutma sistemini sıklıkla zorlayabilir. Sıranın bir ucundaki yoğun raflama, diğer uçta sıcaklıkların kolaylıkla yükselmesine neden olabilir.
Son olarak, belirli elektrik yüklerinin kurulumdaki konumu ve dağılımı temel alınarak esneklik ve yedeklilik önlemleri hesaplanır. Bir alana çok yoğun ekipman grubunun eklenmesi durumunda jeneratörlerin elektriksel kapasiteleri statik tasarımlardan dolayı garanti edilemeyebilir.
Bu endişelerin her biri, kişinin yapay zeka ekipmanını çalıştıramamasından, maksimum performans potansiyeline, elektrik kesintisi veya yerel elektrik şebekesindeki gerilimler durumunda istenmeyen kesinti olasılığına kadar uzanan önemli sonuçlara yol açabilir. Son derece uyarlanabilir, modüler bir tasarım çerçevesi kullanılarak bu sorunlar, yaşı ne olursa olsun herhangi bir veri merkezinde çözülebilir.
Örneğin, zaman içinde istemciye giden ağın bant genişliğini artırmak için daha fazla devre, anahtar ve yönlendirici kurulumuna olanak sağlamak amacıyla alanlar kurulumun başlarında ek ağ odaları olarak kullanılmak üzere yeniden tasarlanabilir veya tasarlanabilir. Aynı zamanda, havai kablo kanallarını tasarlamak ve dağıtmak için kullanılan modüler bir yöntem, veri merkezi operatörünün bu bağlantıyı fiziksel olarak müşteriye getirmesine olanak tanır; bu da genellikle statik tasarımlarda göz ardı edilir. InfiniBand gibi bazı yapay zeka teknolojileri, gerçek performansı ve ilerde operasyonel sorunları önlemek için yalnızca modüler bir şekilde kurulabilen ağır, hacimli kablolar kullanabilir.
CFD (Hesaplamalı Akışkanlar Dinamiği) kullanımı aracılığıyla bir tesisin gerçek soğutma durumunun anlaşılması, veri merkezi operatörünün sıkışan hava akışını, hava akışı modellerini, optimize edilmemiş soğutmayla sonuçlanabilecek istenmeyen hava akışını ve ek hava kapasitesinin nerede olduğunu belirlemesine olanak tanır. yoğun ve özellikle sıcak yapay zeka dağıtımlarını soğutmak için kullanılabilir.
Pek çok veri merkezi, yalnızca hava soğutmalı bir konfigürasyondan, gerektiğinde hem hava hem de sıvı soğutmanın (AALC ve DLC) mevcut olduğu hibrit bir konfigürasyona geçiş yapacak kadar modüler olabilir ve yapay zeka dağıtımlarının bir parçası olarak gerçekleşmesine olanak tanır. mevcut bir veri merkezi veya daha büyük özel alan.
Veri merkezinin her biri kendi güç, yedeklilik ve soğutma altyapısına sahip bir dizi blok olarak kavramsallaştırıldığı modüler bir güç yapılandırmasıyla, çekirdek bileşenler müşteriden gelen dağıtıma bağlı olarak uygun şekilde boyutlandırılabilir ve dağıtılabilir. bir alana eklenirse, güç tüketimi açısından önemli ölçüde farklılık gösterseler bile desteklenebilirler.
Bunlar, veri merkezi tasarımına yönelik modüler bir yaklaşımın, çok yüksek raf yoğunluklarında bile yapay zeka dağıtımlarının mevcut bir veri merkezinde yüksek performanslı, sağlam ve uygun maliyetli bir şekilde desteklenmesini sağlamaya nasıl yardımcı olduğuna dair yalnızca birkaç örnektir.
Modüler tasarımlar, mevcut sahalardaki mevcut ve gelecek nesil yapay zeka dağıtımlarını destekleme yeteneği ile yenilerini inşa etme ihtiyacı arasındaki fark anlamına gelecektir.
