Google DeepMind AI-koelsysteem: hoe kunstmatige intelligentie de energie-efficiëntie van datacenters revolutioneert

De kunstmatige intelligentie toegepast op de koeling van datacenters vertegenwoordigt een van de meest significante innovaties op het gebied van industriële energieoptimalisatie.

Het autonome systeem ontwikkeld door Google DeepMind, operationeel sinds 2018, heeft aangetoond hoe AI het thermisch beheer van kritieke infrastructuur kan transformeren, met concrete resultaten op het gebied van operationele efficiëntie.

Innovatie verandert datacenters

De kwestie van energie-efficiëntie

Moderne datacenters zijn enorme energieverbruikers, waarbij koeling ongeveer 10% van het totale elektriciteitsverbruik vertegenwoordigt, volgens Jonathan Koomey, wereldwijd expert op het gebied van energie-efficiëntie. Elke vijf minuten maakt het cloud-gebaseerde AI-systeem van Google een momentopname van het koelsysteem op basis van duizenden sensoren Safety-first AI for autonomous data centre cooling and industrial control - Google DeepMind, waarbij een operationele complexiteit wordt geanalyseerd die traditionele controlemethoden tart.

Het AI-koelsysteem van Google gebruikt diepe neurale netwerken om de impact van verschillende combinaties van acties op het toekomstige energieverbruik te voorspellen, waarbij wordt bepaald welke acties het verbruik minimaliseren met inachtneming van robuuste veiligheidsvoorwaarden DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind.

Concrete en meetbare resultaten

De behaalde resultaten in koelingsoptimalisatie zijn significant: het systeem is in staat gebleken consistent een vermindering van 40% in de voor koeling gebruikte energie te realiseren. Aangezien koeling echter ongeveer 10% van het totale verbruik vertegenwoordigt, vertaalt dit zich in ongeveer 4% totale energiebesparing van het datacenter.

Volgens de originele technische paper van Jim Gao behaalt het neurale netwerk een gemiddelde absolute fout van 0,004 en een standaarddeviatie van 0,005, gelijk aan een fout van 0,4% voor een PUE van 1,1.

Waar het werkt: datacenters bevestigd

Geverifieerde implementaties

De implementatie van het AI-systeem is officieel bevestigd in drie specifieke datacenters:

Singapore: De eerste significante uitrol in 2016, waar het datacenter teruggewonnen water gebruikt voor koeling en de vermindering van 40% in koelenergie heeft aangetoond.

Eemshaven, Nederland: Het datacenter gebruikt industrieel water en verbruikte 232 miljoen gallon water in 2023. Marco Ynema, site lead van de faciliteit, houdt toezicht op de operaties van deze geavanceerde locatie.

Council Bluffs, Iowa: MIT Technology Review heeft specifiek het datacenter van Council Bluffs getoond tijdens de bespreking van het AI-systeem. Google heeft 5 miljard dollar geïnvesteerd in de twee campussen van Council Bluffs, die 980,1 miljoen gallon water hebben verbruikt in 2023.

Een cloud-gebaseerd AI-controlesysteem is nu operationeel en levert energiebesparingen in meerdere Google-datacenters, maar het bedrijf heeft de volledige lijst van faciliteiten die de technologie gebruiken niet gepubliceerd.

Technische architectuur: hoe het werkt

Diepe neurale netwerken en machinaal leren

Volgens patent US20180204116A1 gebruikt het systeem een deep learning-architectuur met precieze technische kenmerken:

• 5 verborgen lagen met 50 nodes per laag
• 19 genormaliseerde invoervariabelen, waaronder thermische belastingen, weersomstandigheden, apparatuurstatus
• 184.435 trainingsamples met een resolutie van 5 minuten (ongeveer 2 jaar operationele data)
• Regularisatieparameter: 0,001 om overfitting te voorkomen

De architectuur gebruikt Model Predictive Control met lineaire ARX-modellen, geïntegreerd met diepe neurale netwerken. De neurale netwerken vereisen niet dat de gebruiker de interacties tussen variabelen in het model vooraf vastlegt. In plaats daarvan zoekt het neurale netwerk naar patronen en interacties tussen kenmerken om automatisch een optimaal model te genereren.

Energieverbruiksefficiëntie (PUE): De sleutel

De PUE vertegenwoordigt de fundamentele energie-efficiëntie van datacenters:

PUE = Totale Energie Datacenter / Energie IT-apparatuur

• PUE Google fleet-wide: 1,09 in 2024 (volgens de milieurapporten van Google)
• Industriegemiddelde: 1,56-1,58
• Ideale PUE: 1,0 (theoretisch onmogelijk)

Google heeft de ISO 50001-certificering voor energiebeheer, die strenge operationele normen garandeert maar niet specifiek de prestaties van het AI-systeem valideert.

Modelvoorspellende controle (MPC)

De kern van de innovatie is de voorspellende controle die de toekomstige temperatuur en druk van het datacenter voor het volgende uur voorspelt, waarbij de aanbevolen acties worden gesimuleerd om te garanderen dat operationele grenzen niet worden overschreden.

Operationele voordelen van AI in koeling

Superieure voorspellende nauwkeurigheid

Na trial and error zijn de modellen nu 99,6% nauwkeurig in de voorspelling van de PUE. Deze precisie maakt optimalisaties mogelijk die met traditionele methoden onmogelijk zijn, waarbij tegelijkertijd de complexe niet-lineaire interacties tussen mechanische, elektrische en omgevingssystemen worden beheerd.

Voortdurend leren en aanpassen

Een significant aspect is het vermogen tot evolutief leren. In de loop van negen maanden zijn de prestaties van het systeem toegenomen van een verbetering van 12% bij de initiële lancering tot ongeveer 30% verbetering.

Dan Fuenffinger, operator bij Google, merkte op: "Het was verbazingwekkend om te zien hoe AI leerde om de winterse omstandigheden te benutten en kouder water dan normaal te produceren. De regels worden na verloop van tijd niet beter, maar AI wel'.

Multi-variabele optimalisatie

Het systeem beheert gelijktijdig 19 kritieke operationele parameters:

• Totale IT-belasting van servers en netwerken
• Weersomstandigheden (temperatuur, luchtvochtigheid, enthalpie)
• Apparatuurstatus (chillers, koeltorens, pompen)
• Setpoints en operationele controles
• Ventilatorsnelheden en VFD-systemen

Beveiliging en controle: gegarandeerd faalveilig

Verificatie op meerdere niveaus

De operationele veiligheid wordt gewaarborgd door redundante mechanismen. De door AI berekende optimale acties worden geverifieerd aan de hand van een interne lijst met veiligheidsvoorwaarden die door de operators zijn vastgelegd. Zodra ze naar het fysieke datacenter zijn verzonden, verifieert het lokale controlesysteem de instructies opnieuw DeepMind AI reduces energy used for cooling Google data centers by 40%.

Operators behouden altijd de controle en kunnen de AI-modus op elk moment verlaten, waarbij ze naadloos overgaan op traditionele regels.

Beperkingen en methodologische overwegingen

PUE meetwaarden en beperkingen

De industrie erkent de beperkingen van Power Usage Effectiveness als metriek. Uit een onderzoek van het Uptime Institute uit 2014 bleek dat 75 procent van de respondenten vond dat de industrie een nieuwe efficiëntiestandaard nodig had. Problemen zijn onder andere klimaatbias (onmogelijk om verschillende klimaten te vergelijken), tijdmanipulatie (metingen tijdens optimale omstandigheden) en uitsluiting van componenten.

Complexiteit van implementatie

Elk datacenter heeft een unieke architectuur en omgeving. Een aangepast model voor het ene systeem is mogelijk niet toepasbaar op een ander systeem, waardoor een algemeen intelligentieraamwerk nodig is.

Kwaliteit en verificatie van gegevens

De nauwkeurigheid van het model hangt af van de kwaliteit en kwantiteit van de invoergegevens. De fout van het model neemt over het algemeen toe voor PUE-waarden boven 1,14 door het gebrek aan bijbehorende trainingsdata.

Er zijn geen onafhankelijke audits door grote accountantskantoren of nationale laboratoria gevonden, en Google heeft 'geen audits door derden nagestreefd' die verder gaan dan de minimale federale vereisten.

De toekomst: evolutie naar vloeistofkoeling

Technologische overgang

In 2024-2025 verlegde Google het accent drastisch naar:

• Voedingssystemen +/-400 VDC voor racks van 1MW
• "Project Deschutes" koeldistributie-eenheden
• Directe vloeistofkoeling voor TPU v5p met "99,999% uptime"

Deze verandering geeft aan dat AI-optimalisatie praktische grenzen heeft bereikt voor de thermische belastingen van moderne AI-toepassingen.

Opkomende trends

• Edge computing integration: Gedistribueerde AI voor lagere latentie
• Digital twins: Digitale tweelingen voor geavanceerde simulatie
• Sustainability focus: Optimalisatie voor hernieuwbare energie
• Hybrid cooling: Door AI geoptimaliseerde combinatie van vloeistof/lucht

Toepassingen en kansen voor bedrijven

Toepassingssectoren

AI-optimalisatie voor koeling heeft toepassingen die veel verder reiken dan data centers:

• Industriële installaties: Optimalisatie van HVAC-systemen in de productie
• Winkelcentra: Intelligent klimaatbeheer
• Ziekenhuizen: Omgevingscontrole in operatiekamers en kritieke ruimtes
• Corporate kantoren: Smart building en facility management

ROI en economische voordelen

De energiebesparingen op koelsystemen vertalen zich in:

• Lagere operationele kosten van het koelsubsysteem
• Verbeterde milieuduurzaamheid
• Langere levensduur van apparatuur
• Grotere operationele betrouwbaarheid

Strategische implementatie voor bedrijven

Stappenplan voor adoptie

Fase 1 - Assessment: Energieaudit en mapping van bestaande systemenFase 2 - Pilot: Testen in een gecontroleerde omgeving op een beperkt gedeelteFase 3 - Deployment: Geleidelijke uitrol met intensieve monitoringFase 4 - Optimization: Continue tuning en capaciteitsuitbreiding

Technische overwegingen

• Sensorinfrastructuur: Volledig monitoringnetwerk
• Teamcompetenties: Data science, facility management, cybersecurity
• Integration: Compatibiliteit met legacy-systemen
• Compliance: regelgeving op het gebied van veiligheid en milieu

FAQ - Veelgestelde vragen

1. In welke Google-datacenters draait het AI-systeem daadwerkelijk?

Drie datacenters zijn officieel bevestigd: Singapore (eerste installatie 2016), Eemshaven in Nederland en Council Bluffs in Iowa. Het systeem is operationeel in meerdere datacenters van Google, maar de volledige lijst is nooit openbaar gemaakt.

2. Hoeveel energie bespaart het systeem daadwerkelijk op het totale verbruik?

Het systeem zorgt voor een reductie van 40% in het energieverbruik voor koeling. Aangezien koeling ongeveer 10% van het totale verbruik uitmaakt, is de totale energiebesparing ongeveer 4% van het totale verbruik van het datacenter.

3. Hoe nauwkeurig zijn de voorspellingen van het systeem?

Het systeem behaalt een nauwkeurigheid van 99,6% bij het voorspellen van de PUE, met een gemiddelde absolute fout van 0,004 ± 0,005, wat overeenkomt met een fout van 0,4% bij een PUE van 1,1‍. Als de werkelijke PUE 1,1 is, voorspelt de AI een waarde tussen 1,096 en 1,104.

4. Hoe wordt de operationele veiligheid gewaarborgd?

Het maakt gebruik van verificatie op twee niveaus: eerst controleert de AI de beveiligingsbeperkingen die door de operators zijn gedefinieerd, daarna controleert het lokale systeem de instructies opnieuw. Operators kunnen de AI-controle altijd uitschakelen en terugkeren naar traditionele systemen.

5. Hoeveel tijd is nodig om een vergelijkbaar systeem te implementeren?

Implementatie duurt meestal 6-18 maanden: 3-6 maanden voor gegevensverzameling en modeltraining, 2-4 maanden voor pilottesten, 3-8 maanden voor gefaseerde implementatie. De complexiteit varieert aanzienlijk afhankelijk van de bestaande infrastructuur.

6. Welke technische vaardigheden zijn vereist?

Er is een multidisciplinair team nodig met expertise op het gebied van data science/AI, HVAC-engineering, facility management, cyberbeveiliging en systeemintegratie. Veel bedrijven kiezen voor partnerschappen met gespecialiseerde leveranciers.

7. Kan het systeem zich aanpassen aan seizoensgebonden veranderingen?

Ja, de AI leert automatisch om seizoensgebonden omstandigheden te benutten, zoals het produceren van kouder water in de winter om koelenergie te besparen. Het systeem verbetert continu door tijdelijke en klimaatpatronen te herkennen.

8. Waarom brengt Google deze technologie niet commercieel op de markt?

Elk datacenter heeft een unieke architectuur en omgeving, waardoor er veel maatwerk nodig is. De complexiteit van de implementatie, de behoefte aan specifieke gegevens en de vereiste expertise maken direct marketing complex. Na acht jaar is deze technologie nog steeds uitsluitend intern bij Google.

9. Bestaan er onafhankelijke verificaties van de prestaties?

Er zijn geen onafhankelijke audits door grote accountantskantoren (Deloitte, PwC, KPMG) of nationale laboratoria gevonden. Google heeft een ISO 50001-certificering, maar 'streeft geen audits door derden na' die verder gaan dan de minimale federale vereisten.

10. Is dit toepasbaar op andere sectoren dan data centers?

Absoluut. AI-optimalisatie voor koeling kan worden toegepast op industriële installaties, winkelcentra, ziekenhuizen, bedrijfskantoren en elke faciliteit met complexe HVAC-systemen. De principes van multivariabele optimalisatie en voorspellende regeling zijn universeel toepasbaar.

Het AI-koelsysteem van Google DeepMind vertegenwoordigt een technische innovatie die incrementele verbeteringen bereikt binnen een specifiek toepassingsgebied. Voor bedrijven die energie-intensieve infrastructuren beheren, biedt deze technologie concrete mogelijkheden voor koeloptimalisatie, ondanks de aangetoonde schaalbeperkingen.

Belangrijkste bronnen: Paper Jim Gao Google Research, DeepMind Official Blog, MIT Technology Review, Patent US20180204116A1