ДВУХВЕТВЕВЫЕ ФИЗИЧЕСКИЕ ИНФОРМАЦИОННЫЕ НЕЙРОННЫЕ СЕТИ ДЛЯ МОДЕЛИРОВАНИЯ ВОЗДУШНЫХ ПОТОКОВ И ТЕПЛОВЫХ УСЛОВИЙ В ЦЕНТРАХ ОБРАБОТКИ ДАННЫХ

Аннотация

В связи с быстрым развитием крупномасштабных моделей искусственного интеллекта, строительство центров обработки данных постепенно ускоряется. Центры обработки данных оснащаются многочисленными серверами и сетевыми устройствами, и ожидается, что потребление энергии в будущем будет продолжать расти. Для улучшения управления тепловыми процессами моделирование энергопотребления центров обработки данных стало новой задачей. Традиционные численные модели трудоемки и плохо переносимы, в то время как модели машинного обучения, основанные на данных, предоставляют приемлемое решение для моделирования центров обработки данных. Нейронные сети, учитывающие физические принципы, встраивают предварительные физические знания в функцию потерь в качестве мягких ограничений, направляя процесс моделирования таким образом, чтобы он соответствовал как закономерностям данных, так и физическим законам. Для разделения моделирования многофизических полей в центрах обработки данных мы предлагаем двухветвевую нейронную сеть, учитывающую физические принципы (Dual-PINN). Одновременно мы разрабатываем адаптивный механизм перевзвешивания функции потерь на основе нелинейного преобразования логистической функции (сигмоидной функции) для балансировки скорости сходимости между различными членами функции потерь. В ходе экспериментов для всесторонней оценки предложенной модели Dual-PINN мы выбрали для сравнения стандартную нейронную сеть PINN, стандартную нейронную сеть и случайный лес. В заключение мы использовали MAE, RMSE и количество обучаемых параметров для измерения производительности модели с точки зрения точности и сложности. Результаты показывают, что Dual-PINN достигает наивысшей точности прогнозирования при наименьшем количестве обучаемых параметров.