Simulation de fluxOPTIFLUX SAS

Machine learning et énergie de datacenter

Mis à jour le Également : Métamodèle énergétique de datacenter, Surrogate model de flux d’énergie3 sources citées

Le machine learning appliqué à l’analyse des sorties d’une simulation de flux d’énergie d’un datacenter entraîne un métamodèle sur les résultats du simulateur — puissance, température, PUE — pour les prédire sans relancer la simulation. Cela accélère l’exploration des scénarios de refroidissement et révèle les gaspillages. Même logique que le machine learning appliqué à la simulation, appliquée à un système énergétique.

Les sorties analysées

Un modèle dynamique du datacenter simule la puissance des serveurs, la puissance des auxiliaires de refroidissement, les températures d’air et d’eau, et le PUE (Power Usage Effectiveness) : le rapport de l’énergie totale du bâtiment à l’énergie consommée par l’informatique. Le métamodèle apprend ces relations sur un plan d’expériences. Sur le supercalculateur Frontier, un surrogate contraint en monotonie prédit la puissance des auxiliaires avec une erreur moyenne de 0,026 MW, et le PUE avec une marge de ±0,01 pour 98,7 % des échantillons.

Usages

Usage Méthode Bénéfice
Prédire Métamodèle des sorties simulées Scénarios explorés sans relancer le modèle
Piloter Recommandations sur les consignes de refroidissement Consommation de refroidissement réduite
Détecter Comparaison du réel à la baseline simulée Gaspillages localisés en heures et en MWh

Chez Google, des réseaux de neurones entraînés sur les données des capteurs ont réduit de 40 % l’énergie de refroidissement, soit 15 % du PUE après prise en compte des pertes. Sur Frontier, la comparaison à la baseline révèle environ 85 MWh d’inefficacité annuelle concentrés sur certains régimes de fonctionnement.

Une accélération décisive

Les surrogates travaillant directement sur une représentation 3D du datacenter — charges serveurs, vitesse des ventilateurs, consignes de température — prédisent les cartes thermiques jusqu’à 20 000 fois plus vite que la simulation détaillée : des millisecondes au lieu d’heures. Cette vitesse rend possible le pilotage en temps réel du refroidissement et la redistribution des charges, avec des économies d’énergie de l’ordre de 7 %.

Limites et précautions

Le métamodèle ne remplace pas le simulateur : son erreur se contrôle sur des points non vus lors de l’entraînement, et sa vérification et validation restent distinctes de celles du modèle de simulation. Il sert de baseline continue, à la manière d’un jumeau numérique, mais se dégrade si les conditions du datacenter changent. Les données d’apprentissage héritent des approximations du modèle, comme de la variabilité de la simulation.

Termes liés

  • Machine learning appliqué à la simulation — Le machine learning construit un modèle d’approximation des sorties d’une simulation : il accélère l’exploration de scénarios et aide à lire les résultats.
  • Jumeau numérique — Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne.
  • Vérification et validation — Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.
  • Simulation à événements discrets — Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant.

Citer cette page

Simulation de flux — OPTIFLUX SAS. « Machine learning et énergie de datacenter ». Glossaire, mis à jour le 4 novembre 2026. https://www.simulation-de-flux.com/glossaire/machine-learning-datacenter/

Sources