← 返回
理解数据中心液冷对机器学习与人工智能工作负载能效和性能的影响
Understanding the Impact of Data Center Liquid Cooling on Energy and Performance of Machine Learning and Artificial Intelligence Workloads
| 作者 | Bharath Ramakrishnan · Cam Turner · Husam Alissa · Dennis Trieu · Felipe Rivera · Luke Melton · Muralikrishna Rao · Sruti Chigullapalli · Tatek Getachew · Vladimir Prodanovic · Robert Lankston · Christian Belady · Vaidehi Oruganti |
| 期刊 | Journal of Electronic Packaging |
| 出版日期 | 2025年1月 |
| 卷/期 | 第 147 卷 |
| 技术分类 | 储能系统技术 |
| 技术标签 | 储能系统 机器学习 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 数据中心 直接液体冷却 GPU服务器 人工智能/机器学习 性能提升 |
语言:
中文摘要
传统上，数据中心采用风冷方式为IT设备散热，但随着图形处理器（GPU）功耗的持续上升，对冷却技术提出了更高要求。为提升能效，直接液冷（DLC）成为一种有前景的解决方案。本文评估了在执行人工智能/机器学习（AI/ML）任务的微软G50 GPU服务器上，DLC相较于传统风冷的性能表现。实验结果表明，DLC显著提升了GPU计算性能，增强了能效，并有效降低了系统热阻，为高密度计算场景下的散热设计提供了重要参考。
English Abstract
Traditionally, data centers (DC) have used air cooling for IT equipment, but as graphics processing units (GPUs) evolve, they demand more power and sophisticated cooling. Aiming for efficiency, direct liquid cooling (DLC) emerges as a promising solution. We evaluated the effectiveness of DLC versus traditional air cooling on a Microsoft G50 GPU server performing artificial intelligence/machine learning (AI/ML) tasks. The results indicated that DLC greatly enhances GPU performance, increases effi
S
SunView 深度解读
该液冷技术研究对阳光电源PowerTitan大型储能系统和数据中心储能方案具有重要应用价值。研究证实直接液冷可显著提升GPU高功率密度场景下的能效和性能，这与储能变流器功率模块散热需求高度契合。对于ST系列储能变流器，可借鉴液冷方案优化SiC/GaN功率器件的热管理，降低系统热阻，提升功率密度和转换效率。特别是在AI算力中心配套储能项目中，液冷技术可实现储能系统与数据中心冷却系统的协同设计，提升整体能效。该研究为阳光电源开发面向高功率密度应用的液冷储能产品提供了技术参考，有助于拓展AI数据中心储能市场。