Alle vil ha grønn databehandling.
Mobilbrukere krever maksimal ytelse og batterilevetid. Bedrifter og myndigheter krever i økende grad systemer som er kraftige, men likevel miljøvennlige. Og skytjenester må svare på globale krav uten å få nettet til å hakke.
Av disse og flere grunner har grønn databehandling utviklet seg raskt de siste tre tiårene, og den er kommet for å bli.
Hva er Green Computing?
Grønn databehandling, eller bærekraftig databehandling, er praksisen med å maksimere energieffektiviteten og minimere miljøpåvirkningen på måtene databrikker, systemer og programvare er designet og brukt.
Også kalt grønn informasjonsteknologi, grønn IT eller bærekraftig IT, grønn databehandling spenner over bekymringer over hele forsyningskjeden, fra råvarene som brukes til å lage datamaskiner til hvordan systemer blir resirkulert.
I arbeidslivet må grønne datamaskiner levere mest arbeid for minst mulig energi, typisk målt etter ytelse per watt.
Hvorfor er grønn databehandling viktig?
Grønn databehandling er et viktig verktøy for å bekjempe klimaendringer, vår tids eksistensielle trussel.
Globale temperaturer har steget rundt 1,2°C det siste århundret. Som et resultat smelter iskappene, noe som får havnivået til å stige rundt 20 centimeter og øker antallet og alvorlighetsgraden av ekstreme værhendelser.
Den økende bruken av elektrisitet er en av årsakene til global oppvarming. Datasentre representerer en liten brøkdel av det totale strømforbruket, omtrent 1 % eller 200 terawatt-timer per år, men de er en økende faktor som krever oppmerksomhet.
Kraftige, energieffektive datamaskiner er en del av løsningen. De fremmer vitenskapen og vår livskvalitet, inkludert måtene vi forstår og reagerer på klimaendringer.
Hva er elementene i grønn databehandling?
Ingeniører vet at grønn databehandling er en helhetlig disiplin.
“Energieffektivitet er et problem med full stack, fra programvaren ned til brikkene,” sa Sachin Idgunji, medformann for kraftarbeidsgruppen for bransjens MLPerf AI-benchmark og en fremtredende ingeniør som jobber med ytelsesanalyse hos NVIDIA.
For eksempel, i en analyse fant han NVIDIA DGX A100-systemer leverte en nesten 5 ganger forbedring i energieffektivitet i utskalerte AI-treningsbenchmarks sammenlignet med forrige generasjon.
“Min primære rolle er å analysere og forbedre energieffektiviteten til AI-applikasjoner på alt fra GPU og systemnoden til hele datasenterskalaen,” sa han.
Idgunjis arbeid er en stillingsbeskrivelse for en voksende gruppe ingeniører som bygger produkter fra smarttelefoner til superdatamaskiner.
Hva er historien til Green Computing?
Grønn databehandling traff offentlig søkelys i 1992, da US Environmental Protection Agency lanserte Energi stjerneet program for å identifisere forbrukerelektronikk som oppfylte standarder innen energieffektivitet.
En rapport fra 2017 funnet nesten 100 regjerings- og industriprogrammer i 22 land som fremmer det det kalte grønn IKT, bærekraftig informasjons- og kommunikasjonsteknologi.
En slik organisasjon, den Grønt elektronikkrådgir Verktøy for elektronisk produktmiljøvurdering, et register over systemer og deres energieffektivitetsnivåer. Rådet hevder at det har spart nesten 400 millioner megawattimer med elektrisitet gjennom bruk av 1,5 milliarder grønne produkter det er anbefalt til dags dato.
Arbeidet med grønn databehandling fortsetter på tvers av bransjen på alle nivåer.
For eksempel bruker noen store datasentre væskekjøling mens andre lokaliserer datasentre der de kan bruke kjølig omgivelsesluft. Schneider Electric slapp nylig en hvitbok anbefaler 23 beregninger for å bestemme bærekraftsnivået til datasentre.
En pioner innen energieffektivitet
Wu Feng, en informatikkprofessor ved Virginia Tech, bygget en karriere som flyttet grensene for grønn databehandling. Det startet av nødvendighet mens han jobbet ved Los Alamos National Laboratory.
En datamaskin klynge for åpen vitenskapelig forskning han opprettholdt i et eksternt lager hadde dobbelt så mange feil om sommeren kontra vintrene. Så han bygde et system med lav effekt som ikke ville generere så mye varme.
Han demonstrerte systemet, kalt Green Destiny, på Supercomputing-konferansen i 2001. Dekket av BBC, CNN og New York Timesblant annet, utløste år med samtaler og debatter i HPC-fellesskapet om potensiell pålitelighet så vel som effektiviteten til grønn databehandling.
Interessen økte etter hvert som superdatamaskiner og datasentre vokste, og flyttet grensene deres i strømforbruk. I november 2007, etter å ha jobbet med rundt 30 HPC-armaturer og samlet tilbakemeldinger fra samfunnet, lanserte Feng den første Grønn 500 listebransjens målestokk for energieffektiv superdatabehandling.
En grønn datareferanse
Green500 ble et samlingspunkt for et fellesskap som trengte å regjere i strømforbruk samtidig som ytelsen ble tatt til nye høyder.
“Energieffektiviteten økte eksponentielt, flopper per watt doblet seg omtrent hvert og et halvt år for den grønneste superdatamaskinen på toppen av listen,” sa Feng.
Ved noen tiltak viste resultatene at energieffektiviteten til verdens grønneste systemer økte med to størrelsesordener de siste 14 årene.
Feng tilskriver gevinstene hovedsakelig til bruken av akseleratorer som GPUer, som nå er vanlig blant verdens raskeste systemer.
“Acceleratorer la til muligheten til å kjøre kode på en massiv parallell måte uten mye overhead – de lot oss løpe lynraskt,” sa han.
Han siterte to generasjoner av Tsubame-superdatamaskinene i Japan som tidlige eksempler. De brukte NVIDIA Kepler- og Pascal-arkitektur-GPUer for å lede Green500-listen i 2014 og 2017, en del av en prosesjon av GPU-akselererte systemer på listen.
“Akseleratorer har hatt en enorm innvirkning gjennom hele listen,” sa Feng, som vil motta en pris for sitt grønne superdataarbeid på Supercomputing-arrangementet i november.
“NVIDIA var spesielt fantastisk i sitt engasjement og støtte til Green500 ved å sikre at energieffektivitetstallene ble rapportert, og dermed hjalp energieffektivitet til å bli en førsteklasses borger i hvordan superdatamaskiner er designet i dag,” la han til.
AI og nettverk blir mer effektivt
I dag, GPUer og databehandlingsenheter (DPUer) gir større energieffektivitet til AI og nettverksoppgaver, samt HPC-jobber som simuleringer som kjøres på superdatamaskiner og bedriftsdatasentre.
AI, den kraftigste teknologien i vår tid, vil bli en del av enhver virksomhet. McKinsey & Co. anslår at AI vil legge til svimlende 13 billioner dollar til globalt BNP innen 2030 etter hvert som utplasseringene vokser.
NVIDIA anslår at datasentre kan spare hele 19 terawattimer med elektrisitet i året hvis alle AI-, HPC- og nettverksavlastninger ble kjørt på GPU- og DPU-akseleratorer (se diagrammene nedenfor). Det tilsvarer energiforbruket til 2,9 millioner personbiler kjørt i ett år.
Det er et iøynefallende mål på potensialet for energieffektivisering med akselerert databehandling.
AI Benchmark måler effektivitet
Fordi AI representerer en økende del av bedriftens arbeidsbelastninger, har MLPerf-industriens benchmarks for AI målt ytelse per watt på innsendinger for datasenter og kantslutninger siden februar 2021.
“Den neste grensen for oss er å måle energieffektivitet for AI på større distribuerte systemer, for HPC-arbeidsbelastninger og for AI-trening – det ligner på Green500-arbeidet,” sa Idgunji, hvis kraftgruppe på MLPerf inkluderer medlemmer fra seks andre brikker og systemer selskaper.
De offentlige resultatene motiverer deltakerne til å gjøre betydelige forbedringer med hver produktgenerasjon. De hjelper også ingeniører og utviklere med å forstå måter å balansere ytelse og effektivitet på tvers av de store AI-arbeidsbelastningene som MLPerf tester.
“Programvareoptimaliseringer er en stor del av arbeidet fordi de kan føre til store innvirkninger på energieffektivitet, og hvis systemet ditt er energieffektivt, er det også mer pålitelig,” sa Idgunji.
Grønn databehandling for forbrukere
I PC-er og bærbare datamaskiner, “har vi investert i effektivitet i lang tid fordi det er den rette tingen å gjøre,” sa Narayan Kulshrestha, en GPU-kraftarkitekt hos NVIDIA som har jobbet i feltet i nesten to tiår.
Dynamic Boost 2.0 bruker for eksempel dyp læring for automatisk å lede strøm til en CPU, en GPU eller en GPUs minne for å øke systemeffektiviteten. I tillegg laget NVIDIA en design på systemnivå for bærbare datamaskiner, kalt Max-Qfor å optimalisere og balansere energieffektivitet og ytelse.
Bygge en syklisk økonomi
Når en bruker erstatter et system, er standard praksis i grønn databehandling at det gamle systemet blir brutt ned og resirkulert. Men Matt Hull ser bedre muligheter.
“Vår visjon er en syklisk økonomi som gjør det mulig for alle med AI til en rekke prispunkter,” sa Hull, visepresident for salg for datasenter AI-produkter hos NVIDIA.
Så han har som mål å finne systemet et nytt hjem med brukere i utviklingsland som synes det er nyttig og rimelig. Det er et arbeid som pågår å søke den rette partneren og skrive et nytt kapittel i en eksisterende livssyklusstyringsprosess.
Green Computing bekjemper klimaendringer
Energieffektive datamaskiner er blant de skarpeste verktøyene for å bekjempe klimaendringer.
Forskere i offentlige laboratorier og universiteter har lenge brukt GPUer til å modellere klimascenarier og forutsi værmønstre. Nylige fremskritt innen AI, drevet av NVIDIA GPUer, kan nå hjelpe med å modellere værvarsling 100 000 ganger raskere enn tradisjonelle modeller. Se følgende video for detaljer:
I et forsøk på å akselerere klimavitenskapen kunngjorde NVIDIA planer om å bygge Jord-2, en AI-superdatamaskin dedikert til å forutsi virkningene av klimaendringer. Den vil bruke NVIDIA Omniverseen 3D-designsamarbeids- og simuleringsplattform, for å bygge en digital tvilling av jorden slik at forskere kan modellere klima i ultrahøy oppløsning.
I tillegg samarbeider NVIDIA med FNs satellittsenter for å akselerere håndtering av klimakatastrofer og trene dataforskere over hele verden i å bruke AI for å forbedre flomdeteksjon.
I mellomtiden er verktøy omfavne maskinlæring å bevege seg mot et grønt, spenstig og smart rutenett. Kraftverk bruker digitale tvillinger til forutsi kostbart vedlikehold og modellere nye energikilder, for eksempel design av fusjonsreaktorer.
Hva er foran i Green Computing?
Feng ser at kjerneteknologien bak grønn databehandling beveger seg fremover på flere fronter.
På kort sikt jobber han med det som kalles energiproporsjonalitet, det vil si måter å sørge for at systemene får toppeffekt når de trenger toppytelse og skalerer elegant ned til null kraft når de går ned til tomgang, som en moderne bilmotor som bremser turtallet og slås deretter av ved rødt lys.
På lang sikt utforsker han måter å minimere databevegelse inne i og mellom databrikker for å redusere energiforbruket. Og han er blant mange forskere som studerer løftet om kvanteberegning å levere nye typer akselerasjon.
Alt er en del av det pågående arbeidet med grønn databehandling, og leverer stadig mer ytelse med stadig større effektivitet.