Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

Il software di rete punta sulle previsioni meteo spaziali e sulla condivisione energetica delle GPU

Microsoft Research sostiene che una pipeline di machine learning può segnalare il rischio meteo spaziale in 66.935 sottostazioni statunitensi da 30 a 60 minuti prima dell'impatto. Un articolo presentato a SOSP '26 riporta risparmi energetici da 1,4 a 2,3 volte grazie a una condivisione più intelligente delle GPU.

TecnologiaNotiziaGiulia FerrariPubblicato: 30 settembre 20264 min di letturaFonti 10
Il software di rete punta sulle previsioni meteo spaziali e sulla condivisione energetica delle GPU

Questa settimana sono emersi due lavori di ricerca sul software legato alla rete elettrica. Entrambi affrontano lo stesso problema: l'infrastruttura che sta dietro a energia e calcolo deve fare di più con meno preavviso e meno energia.

Il contributo più recente arriva da Microsoft Research. Il 30 settembre l'azienda ha pubblicato un post sul blog che descrive una pipeline di previsione del rischio meteo spaziale sulle reti elettriche.

Meteo spaziale, sottostazione per sottostazione

Secondo Microsoft Research, il sistema usa informazioni sul vento solare disponibili al momento della previsione. Produce stime di rischio specifiche per luogo per 66.935 sottostazioni negli Stati Uniti continentali. Combina le previsioni degli indici Auroral Electrojet (AE) e Disturbance Storm Time (Dst) con la latitudine locale, la geologia e la conduttività del suolo. Il blog afferma che la pipeline ha individuato quasi l'80% dei principali eventi meteo spaziali durante il periodo di valutazione. Può avvisare gli operatori di rete da 30 a 60 minuti prima che compaia un rischio specifico.

Il post inquadra il problema in termini operativi. Sapere che sta arrivando una tempesta non equivale a sapere quando e dove i suoi effetti saranno peggiori. Le correnti geomagneticamente indotte (GIC) dipendono dalle condizioni locali, secondo lo stesso post. Le regioni con roccia di fondo resistiva possono registrare correnti più forti rispetto a quelle con una geologia più conduttiva. La tempesta geomagnetica del maggio 2024, che ha spinto le aurore ben oltre la loro fascia abituale, viene citata come esempio da cui è partito il lavoro.

Il lavoro è stato svolto durante un tirocinio estivo presso Microsoft Research, si legge nel blog. L'autore lo descrive come una pipeline di machine learning end-to-end, non come una simulazione fisica. La distinzione conta per gli operatori di rete. A loro serve una previsione su cui poter agire, non un modello di ricerca da interpretare.

Energia, non solo utilizzo, nei cluster di GPU

Un secondo articolo, pubblicato a SOSP '26 il 28 settembre, punta sull'altro versante del problema energetico. Gli autori sono Prasoon Sinha, Dimitrios Liakopoulos, Nathan Lemma e Neeraja J. Yadwadkar. In "Beyond Utilization: Energy-Conscious GPU Sharing for Inference Serving" sostengono che ottimizzare solo l'utilizzo delle GPU può, controintuitivamente, aumentare i consumi. Il loro sistema, EnerTune, usa modelli analitici per stimare prestazioni e potenza di ogni modello. Stima anche la potenza assorbita dai modelli colocati sulle GPU condivise. I dati alimentano un algoritmo di bin-packing attento all'energia.

L'articolo riporta che EnerTune rispetta gli SLO di prestazione riducendo i consumi da 1,4 a 2,3 volte. Taglia la potenza assorbita da 1,3 a 2,6 volte rispetto alle baseline allo stato dell'arte. Gli autori osservano che profilare ogni possibile configurazione su larga scala ha costi proibitivi. È per questo che contano i modelli analitici. Ogni modello può essere distribuito in centinaia di configurazioni, e la profilazione stessa consuma energia.

I due lavori arrivano nella stessa settimana di un'intensa attività sul software di rete. Energy Digital Magazine ha pubblicato il 30 settembre una lista dei primi 10 fornitori di reti intelligenti. Sustainable Views ha sostenuto lo stesso giorno che l'Europa deve costruire e gestire la propria rete come un unico sistema. Utilities Middle East ha pubblicato un articolo di Siemens sulla liberazione di capacità di rete, sempre il 30 settembre.

Sul fronte dello stoccaggio, Energy Vault ha ottenuto l'approvazione per lo sviluppo statale del New South Wales per il suo BESS Stoney Creek da 125 MW / 1 GWh, secondo Business Wire del 29 settembre. L'ok apre la strada alla costruzione. Energy Source & Distribution ha riportato la stessa approvazione il 30 settembre. Nella stessa settimana, Energy-Storage.News ha pubblicato un articolo sul perché la disponibilità conta come metrica di prestazione di un BESS e su come calcolarla. Ha anche riferito che l'inverter per batterie di SMA è diventato il primo a ottenere la certificazione grid-forming per il mercato tedesco dell'inerzia.

Previsioni e flessibilità

Le previsioni non riguardano solo il meteo spaziale. pv magazine Global ha riportato il 29 settembre una mappa digitale che prevede per il 2027 i vincoli di rete e i punti caldi di curtailment in Spagna. Lo stesso giorno, Business Wire ha riferito che Critical Loop ha fornito un'interconnessione flessibile per l'industria californiana. Ha citato il primo controllore di potenza a ottenere la certificazione CSIP 2030.5 e la listing UL 3141.

Il 29 settembre, Spectra by MHI ha pubblicato un approfondimento su come le centrali elettriche virtuali possono rendere le reti a prova di futuro. Business Wire ha riferito che Willow sta impiegando agenti autonomi nei portafogli immobiliari delle Fortune 100. MarketScale ha riportato un sondaggio IFS secondo cui solo il 33% dei dirigenti delle utility definisce avanzata la propria gestione degli asset. Quel numero stona accanto alle dichiarazioni sull'automazione.

Il filo comune è che il software di rete sta passando dalle dashboard alle decisioni. La pipeline di Microsoft non si limita a mostrare una tempesta. Stima il rischio per ogni sottostazione con un anticipo. EnerTune non si limita a impacchettare modelli sulle GPU. Bilancia energia, latenza e throughput. Se poi gli operatori si fidino abbastanza dell'uno o dell'altro sistema da agire sul suo output è una questione separata. Nessuno dei due lavori la affronta direttamente.

Commenti 0

Fonti

10
  1. 01Forecasting space weather risks on power gridsEN
  2. 02Beyond Utilization: Energy-Conscious GPU Sharing for Inference ServingEN
  3. 03CHOMPI portable sampler instrument is now open-sourceEN
  4. 04The open-source AI platforms vying to become China's Hugging FaceEN
  5. 05Report: Kakao is shutting down Tapas webtoon platformEN
  6. 06Justice Department and FBI Seize Platforms Operated and Used by China State-Sponsored HackersEN
  7. 07Japan's fusion energy startup to begin power-on tests at pilot reactor in 2027EN
  8. 08Dear Software MakersEN
  9. 09OpenClaw Enterprise – The Open Agent PlatformEN
  10. 10Estimating software projects without fooling yourselfEN

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Giulia Ferrari

Giulia Ferrari

IA, modelli e tecnologie

Giulia Ferrari scrive di tecnologia, IA e modelli e media e internet per FLASH24, partendo da dataset pubblici, preprint e registri di versioni dei modelli. Controlla ogni numero confrontando benchmark dichiarati e risultati riproducibili, e scarta le stime senza fonte. Segue le audizioni in calendario, parla con ricercatori e ingegneri, e mette a confronto release e changelog prima di pubblicare. Fuori dalla redazione smonta stampanti 3D, recupera vecchi computer e studia come i modelli imparano dai rifiuti del web. Non pubblica un dato se non può ricostruirne il percorso.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.