Memberdayakan Pusat Data yang Berkelanjutan
Kecerdasan buatan (AI) berkembang dengan cepat dan merambah begitu banyak aspek dalam kehidupan kita sehari-hari, mulai dari pembuatan konten hingga chatbot online yang menyediakan layanan pelanggan. Di balik ini, terdapat pertumbuhan besar dalam pemrosesan data, yang sebagian besar membutuhkan infrastruktur komputasi yang kuat. Sebelum siap digunakan, model AI memerlukan pelatihan dan kesimpulan yang biasanya dilakukan di pusat data yang canggih.
Di dalam pusat data modern, biasanya terdapat ribuan server berkinerja tinggi. Masing-masing membutuhkan energi yang signifikan, baik untuk pengoperasian maupun pendinginan. Dengan pertumbuhan pesat yang meluas, konsumsi energi di sektor pusat data AI membengkak, sehingga menimbulkan kekhawatiran akan keberlanjutan dan dampak lingkungan dari revolusi teknologi ini.
Badan Energi Internasional (IEA) memperkirakan bahwa pusat data menyumbang 1,5% dari total permintaan listrik - sekitar 415 terawatt-jam (TWh) pada tahun 2024. Konsumsi ini diperkirakan akan meningkat dua kali lipat menjadi sekitar 945 TWh, meningkat menjadi sekitar 3% pada tahun 2030. Dengan pusat data yang sering kali dikelompokkan bersama, akan ada beban yang signifikan pada area jaringan listrik.
Merekayasa Masa Depan: Mengadaptasi Arsitektur Daya Pusat Data untuk AI
Dibandingkan dengan penggunaan web pada umumnya seperti pencarian, energi yang dibutuhkan untuk AI jauh lebih tinggi, sering kali hingga sepuluh kali lipat. Terutama, hal ini disebabkan oleh unit pemrosesan grafis (GPU) yang kuat yang dibutuhkan, karena masing-masing dapat mengkonsumsi ratusan Watt. Model pelatihan sangat boros daya - sebagai contoh, pelatihan GPT-4 membutuhkan 25.000 GPU NVIDIA A100 selama 3 bulan, menghabiskan 50 gigawatt-jam (GWh) energi dan menghabiskan biaya $100 juta, menurut OpenAI.
Bukannya melambat, AI justru menggandakan konsumsi dayanya setiap enam bulan dengan industri yang mengonsumsi energi sebanyak negara kecil. Pada skala ini, kerugian menjadi masalah yang nyata. Saat listrik bergerak selama transmisi dan distribusi, hingga 6% energi terbuang percuma karena hambatan pada kabel. Daya dari jaringan ke GPU dikonversi lebih dari empat kali, menghasilkan kehilangan rata-rata 12% energi.
Masing-masing dari ribuan server dapat mengonsumsi 40 kilowatt (kW), sehingga bus tugas berat digunakan untuk memindahkan daya ke rak. Standar arus searah 12 volt (VDC) bus telah berevolusi menjadi 48 VDC untuk mengurangi arus. Tetapi untuk mengatasi permintaan energi untuk AI, diperlukan +/- 400 V yang lebih tinggiDC arsitektur bus kemungkinan besar akan diperlukan.
Gambar 1: Pusat data memerlukan beberapa tahap konversi daya
Semikonduktor daya sangat penting untuk konversi daya yang efisien untuk memenuhi kebutuhan prosesor AI dan GPU. Silikon karbida (SiC) dan gallium nitrida (GaN) menggantikan silikon karena memungkinkan konverter daya yang sangat ringkas dan hemat energi, yang secara signifikan meningkatkan total biaya kepemilikan (TCO) pusat data.
Solusi Inovatif untuk Efisiensi dan Keberlanjutan
Pengiriman daya pusat data dari jaringan ke rak GPU melalui banyak konversi daya. Solusi daya SiC dan silikon (Si) yang cerdas sangat penting untuk setiap cabang pohon daya. Daya pertama-tama melewati transformator solid-state (SST) dan kontrol sakelar transfer otomatis (ATS) yang didukung oleh generator diesel. 20k VAC dikonversi ke saluran tiga fase 400 VAC, dan kemudian melewati catu daya tak terputus (UPS). Modul diskrit dan daya EliteSiC dapat digunakan untuk memberikan efisiensi dan kepadatan daya yang lebih tinggi pada titik masuk ke pusat data. Unit distribusi daya kemudian mengubah tiga fase 400 VAC ke fase tunggal 230 VAC garis di tingkat rak.
Di rak tempat server GPU berada, sisa konversi daya terjadi. Di dalam unit catu daya (PSU) dan unit cadangan baterai, kombinasi JFET kaskode SiC dan MOSFET PowerTrench T10 Si sangat ideal untuk solusi AC-ke-DC berdaya tinggi. JFET cascode SiC arus tinggi sangat penting untuk transisi dari PSU 3 kW ke 5 kW yang diperlukan dalam arsitektur hyperscale generasi berikutnya.
MOSFET EliteSiC 650 V dan MOSFET T10 dari onsemi digunakan dalam mentransformasikan 230 VAC tegangan saluran ke 48 VDC pertama dan kemudian ke 12 VDC di sepanjang aliran daya. Efisiensi konversi adalah kunci di sini untuk mempertahankan spesifikasi Open Rack V3 (ORV3) dengan efisiensi puncak 97,5%. Efisiensi tinggi ini mengurangi energi yang terbuang dan membantu menurunkan biaya operasional dan kebutuhan pendinginan. MOSFET T10 Si dan IC manajemen daya juga digunakan dalam mengubah tegangan 48 V ke tegangan konverter bus menengah (IBC) 12 V untuk menyalakan cabang Vcore (tegangan inti CPU) dari pohon daya. Selain itu, untuk arsitektur bus 400/800 V, SiC JFET dan SiC Combo JFET menawarkan perlindungan arus berlebih yang andal untuk hot swap / e-Fuse sebelum tahap IBC.
Masa Depan Manajemen Daya di Pusat Data AI
Efisiensi adalah parameter daya yang paling penting dalam pusat data AI. Artinya, kerugian harus diminimalkan sebisa mungkin, paling tidak karena pendinginan dapat mengonsumsi hingga 50% daya yang digunakan di pusat data, sementara separuhnya lagi dikonsumsi oleh peralatan TI, seperti server, sistem penyimpanan, dan infrastruktur daya.
onsemi adalah pemimpin dalam solusi pusat data AI, dan merupakan salah satu dari sedikit pemasok yang dapat memenuhi kebutuhan seluruh pohon daya dari jaringan ke GPU. Masa depan akan membutuhkan teknologi celah pita lebar yang canggih, seperti EliteSiC dan GaN vertikal dari onsemi, untuk konversi daya yang kuat pada frekuensi yang lebih tinggi, dan efisiensi yang lebih tinggi yang memungkinkan desain yang lebih ringkas. Perangkat-perangkat ini dapat beroperasi dengan andal pada suhu yang lebih tinggi, membutuhkan lebih sedikit pendinginan dan memungkinkan solusi yang lebih ringkas serta mengurangi biaya pengoperasian.