Yapay zeka uygulamalarının yaygınlaşmasıyla birlikte, veri merkezlerinin enerji tüketimi kritik bir konu haline geldi. GPU tabanlı sistemlerde yaşanan ani ve düzensiz güç talep değişimleri, hem operasyonel verimlilik hem de elektrik şebekesi yönetimi açısından büyük zorluklar yaratıyor.
Araştırmacılar bu soruna yenilikçi bir çözüm getirdi: sekans-nokta bilgi aktarımı tabanlı tahmin sistemi. Bu sistem iki aşamalı bir yaklaşım benimsiyor. İlk aşamada, yüksek kapasiteli bir 'öğretmen model' çok adımlı yük tahminleri yaparak karmaşık temporal dinamikleri öğreniyor. Bu model, değişken işletim koşullarında dayanıklılığı artırmak için artık öğrenme tekniğini kullanıyor.
İkinci aşamada ise, öğretmen modelden edinilen bilgi, düşük gecikme süreli tahminler yapabilen hafif bir 'öğrenci model'e aktarılıyor. Bu yaklaşım, hassas tahmin yapabilme ile pratik dağıtım gereksinimleri arasındaki dengeyi kuruyor.
Sistemin en önemli avantajı, büyük ölçekli dağıtım için uygun olmasıdır. Geleneksel yüksek kapasiteli modeller, bellek ve gecikme gereksinimleri nedeniyle büyük ölçekte kullanılması zor iken, hafif tahmin modelleri kısa vadeli temporal dinamikleri yakalamada yetersiz kalabiliyor.
Bu gelişme, veri merkezlerinin enerji verimliliğinin artırılması ve elektrik şebekeleriyle daha iyi koordinasyon sağlanması açısından önemli bir adım olarak değerlendiriliyor.