【07】AI冷却Demo：让冷板自己找到25℃

作者：Rainnou · 2026/10/14 纯软件Demo，虚拟传感，无硬件；全部参数来自Ola【04】【05】COMSOL标定

一、为什么要做这个Demo

【05】里有一个关键结论：冷却设定点存在最优点（25°C），但这个最优点会随负载移动——中低负载25°C最省，高负载却要降回15°C开冷机保算力。

一张静态扫描表告诉了我们"最优在哪"，却无法回答运行时的问题：负载一直在变，冷却液温度该怎么实时跟着调？这个Demo就是要做一个随负载自动寻优的冷却控制器，并和两种固定策略跑一轮对比，看看到底能省多少。

二、Demo架构：虚拟传感 → AI控制器 → 热模型

纯软件实现，三个模块闭环：

┌─────────────┐   q、T_chip(带噪声)  ┌──────────────┐   T_in设定   ┌──────────┐
│ 虚拟传感器   │ ──────────────────> │ AI冷却控制器  │ ──────────> │ 热模型    │
│ 模拟负载/温度 │                     │ 前馈+反馈     │             │ 一阶惯性  │
└─────────────┘                     └──────────────┘             └────┬─────┘
       ^                                                              │
       └──────────────── T_chip 反馈（下一秒）<───────────────────────┘

• 虚拟传感器：模拟芯片热流（负载）和温度读数，叠加测量噪声（±0.6°C）；
• 热模型：用COMSOL标定的R_th，加上一阶热惯性（时间常数20秒），避免"调温瞬间生效"的假理想情况；
• AI控制器：前馈 + 反馈 + 滤波。

控制律（核心）：先用热阻模型算出"芯片不超温"允许的最高进液温度：

T_in* = 85 − 安全裕量(3°C) − R_th(q) × q × 1e4
若 T_in* ≥ 25°C → 自然冷却，设定25°C（PUE 1.08）
若 T_in* < 25°C → 开冷机，降到 T_in*（PUE 1.198~1.08）

再用实测芯片温度做比例反馈微调，并用一阶滤波抑制传感器噪声、避免冷机频繁启停。

三、三种策略跑480秒

让负载按20→40→60→80→50→90→30→70 W/cm² 阶跃（模拟数据中心一天的负载变化），三种策略同时跑：

看控制器输出（第三子图）：低负载时液温稳定在25°C（自然冷却区）；负载一上60，液温自动降到18°C；上80/90，直接降到15°C开冷机；负载回落到30，又自动切回25°C。省电和保算力完全自动切换，不需要人干预。

芯片温度（第二子图）也验证了三种策略的差异：固定25°C（橙线）在高负载段温度冲到110°C以上、严重降频；固定15°C（蓝线）最凉但全程冷机；AI（绿线）在低负载时与固定25°C一样省电，高负载时贴近固定15°C保算力。

四、谁最省电：三策略对比

480秒运行累计结果：

策略	总耗电	总有效算力	单位算力能耗
固定15°C（全程冷机）	316	234	1.352
固定25°C（固定自然冷却）	285	201	1.421
AI智能调控	305	230	1.330

三个结论：

1. 固定15°C：算力最高（234），但全程开冷机，电最浪费；
2. 固定25°C：电最少（285），但高负载段严重降频，算力损失约14%，单位算力能耗反而最高（1.421）；
3. AI智能调控：用接近自然冷却的电费（305，仅比固定25多7%），拿到接近全程冷机的算力（230，仅比固定15少1.7%）。

核心指标单位算力能耗：AI 为 1.330，比固定15°C低1.5%，比固定25°C低6.2%。 这正是"同样的电，更多有效算力"在冷却环节的体现。

五、局限与下一步

1. 热惯性是物理瓶颈：负载突增时，即使控制器瞬间把液温降到15°C，芯片温度仍受20秒热时间常数约束、会短暂冲高（图5第二子图）。接入负载预测（提前知道负载要升）可提前降温，把峰值压平，这是下一版控制器的主要提升方向。
2. 控制算法可升级：当前是前馈+比例反馈，后续可替换为PID、MPC（模型预测控制）或强化学习，作为对比。
3. 口径待补：泵功耗未计入E_cool；降频阈值85°C、降频系数2.5%/°C仍为假设值，需查芯片手册。
4. 本Demo为虚拟传感，所有温度和负载均为模拟量，工程落地需接入真实冷板回路的温度与流量传感器。

六、可直接进模型/PPT的结论

• AI冷却控制器控制律：T_in* = 85 − 3 − R_th(q)×q×1e4，25°C为自然冷却/冷机切换点；
• 单位算力能耗：AI 1.330 < 固定15°C 1.352 < 固定25°C 1.421；
• AI策略以接近自然冷却的电费，获得接近全程冷机的有效算力；
• 下一步：负载预测提前降温，消除热惯性造成的瞬时降频。

完整代码：ai_cooling_demo.py（依赖pandas、matplotlib，可直接复跑）。