هوش مصنوعی در رقابت کاهش هزینه مرکز داده

چه کسی، یا بهتر بگوییم، چه چیزی مدل برتر بعدی خواهد بود؟ دانشمندان داده و توسعه‌دهندگان در آزمایشگاه ملی شتاب‌دهنده توماس جفرسون وابسته به وزارت انرژی ایالات متحده در حال بررسی آخرین تکنیک‌های هوش مصنوعی (AI) هستند تا عملکرد رایانه‌های با توان پردازشی بالا را بهبود بخشیده و هزینه‌های عملیاتی آن‌ها را کاهش دهند.

در اینجا، مدل‌های موردنظر، شبکه‌های عصبی مصنوعی هستند که برای پایش و پیش‌بینی رفتار یک خوشه پردازشی علمی آموزش داده شده‌اند. هدف این است که به مدیران سیستم کمک شود وظایف پردازشی مشکل‌ساز را سریع‌تر شناسایی و برطرف کنند، تا زمان توقف پردازش داده‌های علمی کاهش یابد.

انتخاب مدل برتر در یک رقابت روزانه انجام می‌شود؛ به این ترتیب که هر ۲۴ ساعت، یک مدل جدید که بهترین عملکرد را بر اساس داده‌های تازه ارائه داده، به عنوان “مدل قهرمان” انتخاب می‌شود.

برایان هس، مدیر عملیات محاسبات علمی در آزمایشگاه جفرسون، توضیح می‌دهد:

“ما سعی داریم ویژگی‌هایی از خوشه‌های محاسباتی را که قبلاً مشاهده نکرده‌ایم، شناسایی کنیم. بررسی مرکز داده به این شیوه جامع، در آینده بدون شک بر عهده نوعی مدل هوش مصنوعی یا یادگیری ماشینی خواهد بود.”

نیاز به راهکاری برای مدیریت حجم عظیم داده‌های علمی

مراکز داده در تأسیسات علمی بزرگ، مانند شتاب‌دهنده‌های ذرات، منابع نوری و تلسکوپ‌های رادیویی، برای پردازش حجم عظیمی از اطلاعات مورد استفاده قرار می‌گیرند. در آزمایشگاه جفرسون، شتاب‌دهنده CEBAF که توسط دفتر علوم وزارت انرژی آمریکا اداره می‌شود، سالانه ده‌ها پتابایت داده تولید می‌کند.

رایانه‌های پردازش داده در این مرکز، تحت بارهای پردازشی بسیار پیچیده‌ای قرار دارند. این بارهای متغیر می‌توانند مشکلاتی مانند تکه‌تکه شدن حافظه، افزایش بیش‌ازحد ورودی/خروجی (I/O) و رفتار غیرمنتظره در خوشه‌های پردازشی را به همراه داشته باشند که موجب تأخیر در پردازش داده‌های علمی می‌شود.

احمد حسام محمد، پژوهشگر پسادکتری در آزمایشگاه جفرسون، می‌گوید:

“با افزایش اندازه خوشه‌های محاسباتی، برای مدیران سیستم دشوارتر می‌شود که همه اجزای مشکل‌ساز را ردیابی کنند. هدف ما ایجاد مدلی بود که به‌محض مشاهده ناهنجاری، یک هشدار قرمز ارسال کند تا اقدامات اصلاحی قبل از بدتر شدن شرایط انجام شود.”

سیستم DIDACT: یادگیری ماشینی برای مراکز داده

برای حل این چالش‌ها، تیم تحقیقاتی یک سیستم مدیریت مبتنی بر یادگیری ماشینی (ML) به نام DIDACT توسعه داده است. این نام برگرفته از واژه “didactic” (به معنای آموزشی) است، زیرا هدف این سیستم آموزش شبکه‌های عصبی مصنوعی برای تشخیص و پیش‌بینی ناهنجاری‌ها است.

DIDACT تحت حمایت برنامه تحقیقات هدایت‌شده آزمایشگاهی (LDRD) در آزمایشگاه جفرسون توسعه یافته است.

ویژگی‌های کلیدی این سیستم:

✅ یادگیری مستمر: مدل‌ها به‌صورت مداوم با داده‌های جدید آموزش می‌بینند.

✅ انتخاب مدل برتر: هر روز، مدلی که کمترین خطا را دارد، به‌عنوان مدل قهرمان انتخاب می‌شود.

✅ استفاده از شبکه‌های عصبی خودرمزگذار (Autoencoder) و شبکه‌های عصبی گرافی (GNN): این مدل‌ها قادرند ارتباطات میان اجزای مختلف سیستم را تحلیل کنند.

دایانا مک‌اسپادن، دانشمند داده در آزمایشگاه جفرسون و محقق اصلی این مطالعه، توضیح می‌دهد:

“مدل‌ها با استفاده از داده‌های شناخته‌شده رقابت می‌کنند تا مشخص شود کدام‌یک کمترین خطا را دارند. مدل برنده روز، به‌عنوان نظارت‌کننده اصلی رفتار خوشه انتخاب می‌شود.”

عملکرد سیستم: رقابتی برای انتخاب بهترین مدل

برای آموزش مدل‌ها بدون ایجاد اختلال در عملکرد اصلی مرکز داده، تیم تحقیقاتی یک خوشه آزمایشی به نام “Sandbox” طراحی کرده است. این خوشه مانند یک باند نمایش برای مدل‌های یادگیری ماشینی عمل می‌کند، جایی که مدل‌ها بر اساس توانایی آموزش خود امتیازدهی می‌شوند.

ویژگی‌های DIDACT:

🔹 ترکیبی از نرم‌افزارهای متن‌باز و کدهای اختصاصی برای توسعه و مدیریت مدل‌های ML

🔹 داشبورد گرافیکی برای نمایش بصری داده‌ها

🔹 سه مسیر پردازش: توسعه آفلاین (مانند تمرین اولیه)، یادگیری مستمر (مسابقه روزانه)، و پردازش در زمان واقعی

برایان هس توضیح می‌دهد:

“DIDACT ترکیبی خلاقانه از سخت‌افزار و نرم‌افزار متن‌باز است. ما نشان داده‌ایم که این ترکیب می‌تواند کار کند. این پروژه توانایی‌های برجسته علم داده و عملیات محاسباتی آزمایشگاه جفرسون را به نمایش می‌گذارد.”

آینده سیستم: کاهش هزینه‌های مراکز داده

تیم تحقیقاتی DIDACT در حال بررسی چارچوبی برای بهینه‌سازی مصرف انرژی در مراکز داده است، از جمله:

• کاهش مصرف آب برای خنک‌سازی

• تنظیم خودکار عملکرد پردازنده‌ها بر اساس تقاضای پردازشی

هس در پایان می‌گوید:

“هدف همیشه این است که با هزینه کمتر، بازدهی علمی بیشتری داشته باشیم. یعنی علم بیشتر در برابر هر دلار هزینه‌شده.”