Да играеш с AlphaGo, за да спасиш интернет. Как древната игра Го помогна на учените да подобрят охлаждането на сървърите

Учените обучават модела по данните от десетки изследвания, за да подберат параметрите на капките и дюзите.

Докато центровете за данни и електропреносните мрежи по света се борят с прегряването и нарастващите натоварвания, учените търсят начини за по-бързо и интелигентно отвеждане на топлината. Екип от изследователи реши да търси решението на съвсем неочаквано място: древната китайска игра го, където победата зависи не от един ход, а от разбирането на цялостната картина.

Екипът, ръководен от Джантао Ченг, асистент в Техническия университет на Вирджиния, проучва как да намери оптималната стратегия за охлаждане чрез пулверизиране. Това е метод, при който малки капки течност падат върху гореща повърхност: всяка капка бързо кипва и се изпарява, като отнема част от топлината със себе си. Този подход се разглежда като обещаващ за охлаждане на силно натовареното оборудване, включително инфраструктура като центрове за данни и компоненти на електропреносната мрежа.

Ченг играе Го още от гимназията и веднъж решава да се изправи срещу AlphaGo – програмата, която се научи да побеждава и най-силните играчи, като постоянно подобрява стратегията си чрез машинно обучение. Той редовно губел, но именно това, споделя той, му помогнало да формулира идеята, че охлаждането чрез разпръскване е подобно на Го, тъй като също включва мрежа от взаимосвързани параметри и оптимален резултат се получава само когато взаимодействията се управляват „цялостно“.

В статията си, публикувана в специализираното списание Artificial Intelligence Review, изследователите са събрали и анализирали данни от 25 публикувани преди това проучвания, които са били публично достояние. Използвайки техники за машинно обучение, те са се опитали да свържат свойствата на течностите, образуването на капките и начина, по който тези капки поглъщат и отвеждат топлината, за да прогнозират по-добре ефективността на охлаждането при различни условия.

Ключовата сложност в този случай е именно в „малките неща“, които е трудно да се отчетат ръчно. Какъв размер на капките ще осигури най-добро разсейване на топлината върху определена повърхност? Коя дюза е по-стабилна при формирането на правилния диапазон от размери? Дали водата винаги е оптимална, или в определени случаи е разумно да се използват други течности, смеси или специално подбрани формули? Според Лори, първият автор на статията, капките работят по по-различен начин, отколкото непрекъснатия поток: те поемат топлината по-бързо и се изпаряват по-бързо, така че контролирането на капките дава по-прецизен контрол на температурата.

Авторите смятат, че този подход в крайна сметка би могъл да доведе до по-ефективни решения за защита от прегряване на най-различни системи – от отделни компютри и електроника с висока плътност до двигатели и турбини. Идеята е не просто да се „налива повече“, а да се адаптират параметрите на пръскането като стратегия, при която всяка промяна засяга цялата система.

Самият Ченг казва, че опитът му с AlphaGo го е научил да използва ИИ не като конкурент, а като инструмент за решаване на сложни инженерни проблеми. А комбинацията от науката за термофлуидите и машинното обучение, според неговата идея, трябва да помогне да се разбере по-точно как работи охлаждането и да се проектира следващото поколение топлинни системи.