درک عمیق: کابینت رک سرور خنک‌شده با هوش مصنوعی

تفاوت اصلی بین رک شبکه هوش مصنوعی و سرورهای سنتی در افزایش قابل توجه چگالی توان محاسباتی نهفته است. مصرف انرژی یک واحد گرافیکی{1}بالا می‌تواند به چند صد وات برسد و مجموع مصرف انرژی استقرار چندین GPU در یک کابینت می‌تواند از ده‌ها کیلووات بیشتر شود. اتلاف گرما به طور مستقیم به کلید اصلی عملکرد پایدار کابینت داده هوش مصنوعی تبدیل می شود.

فن‌آوری سنتی خنک‌کننده هوا متکی به همرفت هوا برای اتلاف گرما، با ظرفیت گرمای ویژه کم و راندمان محدود است که می‌تواند مقدار PUE مراکز داده را به 1.5-2.0 افزایش دهد. این نه تنها مصرف انرژی و نویز بالایی دارد، بلکه نمی تواند الزامات پایداری سختگیرانه آموزش مدل بزرگ هوش مصنوعی را برآورده کند. گرمای بیش از حد کوتاه مدت و کاهش فرکانس می تواند منجر به شکست تمرین شود. بنابراین، ارتقای اتلاف گرما یک گزینه ضروری برای زیرساخت هوش مصنوعی است، نه یک گزینه اختیاری.

منطق اصلی تکرار فناوری اتلاف حرارت رک داده، تماس مستقیم با اجزای گرمایشی با ظرفیت گرمای ویژه بالا برای بهبود راندمان اتلاف گرما است. سه نوع کابینت،{1}}هوا خنک، تخته خنک‌شده و خنک‌شونده کاملاً مایع، هر کدام سناریوهای سازگاری خاص خود را دارند و می‌توان آنها را بر اساس نیاز انتخاب کرد.

کابینت قفسه ای خنک شونده با هوا یک راه حل معمولی سنتی با یک اصل و ساختار ساده است. برای گردش هوای سرد برای دفع گرما به فن ها متکی است. با تکنولوژی پیشرفته و هزینه کم، انتخاب معمولی برای اتاق های کامپیوتر اولیه است.

خنک کننده صفحه یک راه حل انتقالی است که خطوط لوله خنک کننده مایع و اجزای نظارت بر نشتی را در بالای خنک کننده هوا اضافه می کند. اتلاف گرمای دقیقی را برای اجزای-پرقدرت مانند CPU و GPU فراهم می‌کند، در حالی که خنک‌کننده هوا را برای اجزای{2} کم توان، متعادل کردن کارایی و سازگاری تجهیزات حفظ می‌کند.

کابینت شبکه کوچک کاملاً مایع خنک‌شده برای سناریوهای محاسباتی با چگالی بالا طراحی شده است که فن‌ها را کاملاً رها می‌کند. تمام اجزای هسته مستقیماً از طریق خنک‌سازی مایع پراکنده می‌شوند و مقدار PUE در برخی از طرح‌های غوطه‌وری می‌تواند تا 1.05 یا کمتر باشد. همراه با مبدل حرارتی مایع هوا و نظارت بر نشت کامل فرآیند، عملکرد و پایداری اتلاف گرما بسیار پیشرفته است.

محبوبیت تمام فناوری های خنک کننده مایع باعث ارتقای معماری سرور می شود و سه تفاوت اساسی بین قفسه های رایانه سنتی و سرورهای هوش مصنوعی از نظر سازگاری با خنک کننده مایع وجود دارد. از نظر معماری و پوشش اتلاف گرما، سرورهای سنتی از معماری X86 استفاده می‌کنند که فقط CPU از خنک‌کننده مایع پشتیبانی می‌کند. سرور هوش مصنوعی از معماری ARM برای دستیابی به خنک‌سازی مایع جامع XPU+CPU استفاده می‌کند و برای خوشه‌های{3}}GPU با چگالی بالا مناسب است.

از نظر طراحی گره سوئیچ، گره های سوئیچ سرور سنتی به خنک کننده هوا و انتقال کابل برای داده ها متکی هستند. گره تبادل رک سرور AI Vertical دارای یک ماژول خنک کننده مایع است که خنک کننده مایع کامل لینک را امکان پذیر می کند. از طریق یک کابل بی سیم backplane مبادله می شود و پایداری قوی تری ایجاد می کند. از نظر طرح‌بندی خط لوله خنک‌کننده مایع، سرورهای سنتی فقط دارای گره‌های سرور مجهز به خطوط لوله خنک‌کننده مایع هستند، در حالی که سرورهای هوش مصنوعی به پوشش خط لوله دوگانه بین سرورها و گره‌های مبادله دست می‌یابند و اتلاف گرمای جامع‌تری را ارائه می‌دهند.

با توسعه فناوری هایی مانند مدل های بزرگ و رانندگی خودکار، تقاضا برای قدرت محاسباتی به طور تصاعدی در حال افزایش است و فناوری خنک کننده مایع به استاندارد اصلی برای زیرساخت های هوش مصنوعی تبدیل شده است. سه نوع کابینت شبکه Outdoor تمایز صحنه واضح را تشکیل می دهند.

کابینت‌های خنک‌شونده با هوا به تدریج از سناریوهای با تراکم بالا حذف می‌شوند و فقط در اتاق‌های رایانه‌های کوچک و متوسط-با اندازه کم- سنتی استفاده می‌شوند. کابینت‌های خنک‌شونده دارای هزینه{3}}کارآمدی و سازگاری فوق‌العاده‌ای هستند و به نیروی اصلی برای ارتقا و نوسازی اتاق‌های رایانه موجود تبدیل می‌شوند. کابینت سرور کوچک کاملاً مایع خنک‌شده، با مزایای PUE کم و راندمان بالا، به پیکربندی استانداردی برای مراکز ابررایانه‌ای هوش مصنوعی و مراکز داده بزرگ تبدیل شده است. با توجه به اهداف دوگانه خنثی بودن کربن و موج هوش مصنوعی، فناوری خنک‌کننده مایع از گزینه‌های{5}بالا به زیرساخت‌های اصلی تغییر مکان داده است و روند محبوبیت صنعت و ارتقای فناوری تسریع خواهد شد.

اگر شما نیاز به دانستن طرح انتخاب، پارامترهای فنی یا پیشنهادات انطباق پروژه مختلف داریدکابینت رک سرور، لطفا در هر زمان با ما در ارتباط و مشورت باشید. ما می‌توانیم راه‌حل‌های اتصال حرفه‌ای و برنامه‌های مرجع سفارشی‌شده را بر اساس سناریوهای قدرت محاسباتی و نیازهای استقرار ارائه دهیم، و به ارتقای کارآمد مرکز داده و طرح‌بندی قدرت محاسباتی هوش مصنوعی کمک کنیم.