یک استاد ایرانی دانشگاه هیوستون با طراحی فیلم‌های نازک شاخه‌ای، روشی ارائه کرد که گرمای مراکز داده هوش مصنوعی را سه برابر بهتر دفع می‌کند. به گزارش سرویس علمی تکناک، هادی قاسمی، استاد مهندسی مکانیک و هوافضا در دانشگاه هیوستون، روشی تازه برای دفع گرمای شدید تولیدشده در مراکز داده هوش مصنوعی معرفی کرده است. او نشان می‌دهد که فیلم‌های نازک با ساختار شاخه‌ای می‌توانند گرما را دست‌کم سه برابر بهتر از روش‌های رایج امروزی منتقل کنند.
مراکز داده هوش مصنوعی به دلیل استقرار متراکم پردازنده‌های گرافیکی و شتاب‌دهنده‌ها در چگالی‌های توان بسیار بالا، گرمای قابل‌توجهی تولید می‌کنند. این سامانه‌ها در شرایط توان شدید کار می‌کنند و اگر مهندسان گرمای تولیدی را به‌طور مؤثر دفع نکنند، پایداری عملیاتی، قابلیت اطمینان و طول عمر تجهیزات با خطر جدی مواجه می‌شود.
قاسمی نتایج پژوهش خود را در دو مقاله در نشریه International Journal of Heat and Mass Transfer منتشر کرده است. امیرمحمد جهانبخش و صابر بدکوبه هزاوه، دو دانشجوی دکتری او، بخش عمده‌ای از این تحقیقات را انجام داده‌اند.
در سال‌های اخیر، پیشرفت‌های چشمگیر در الکترونیک، فوتونیک و سامانه‌های توان، چگالی توان را به‌شدت افزایش داده‌اند. این پیشرفت‌ها در کنار مزایا، چالش‌های پیچیده‌ای را در حوزه مدیریت حرارتی ایجاد کرده‌اند. روش‌های سنتی خنک‌سازی مانند جریان در میکروکانال‌ها و خنک‌کاری پاششی، در مواجهه با شار حرارتی بسیار بالا محدودیت نشان داده‌اند. در این شرایط، لایه مایع روی سطح داغ هنگام تبخیر ناپایدار می‌شود و توانایی انتقال گرما را از دست می‌دهد.
بخوانید: کشف نمک خنک‌کننده جدید؛ راهکاری سبز برای بحران مصرف برق مراکز داده
قاسمی تبخیر فیلم نازک را راهبردی امیدبخش برای مدیریت حرارتی می‌داند، زیرا این روش می‌تواند شارهای حرارتی بالا را با مقاومت حرارتی حداقلی تحمل کند. با این حال، پژوهشگران هنوز در حال بررسی بهترین طراحی برای این ساختارها هستند.
او برای حل این مسئله از دو روش پیشرفته رایانشی استفاده کرده است. نخست، بهینه‌سازی توپولوژی کوپل‌شده و سپس یک مدل هوش مصنوعی، مناسب‌ترین شکل هندسی را تعیین کرده‌اند. نتایج نشان می‌دهد که ساختارهایی شبیه شاخه‌های درخت با حدود ۵۰ درصد بخش جامد و ۵۰ درصد فضای خالی، بیشترین بازده انتقال حرارت را ارائه می‌دهند.
این یافته‌ها علاوه بر ثبت عملکرد رکوردشکن، درک بنیادی‌تری از فیزیک حاکم بر انتقال حرارت فراهم می‌کنند و مسیر منطقی برای دستیابی به ظرفیت‌های بالاتر دفع حرارتی در نسل‌های آینده مراکز داده هوش مصنوعی ترسیم می‌کنند.
