Schneider AVEVA Immersive Twin hilft KI-Fabriken, mehr Rechenleistung pro Watt zu erzielen

Kühl-, Energie- und Prozessanalyse erfordern oft spezialisierte Solver, und das Verschieben von Daten zwischen separaten Tools macht Übergaben schwieriger. Engineeringteams können auch Solver haben, auf die sie bereits angewiesen sind. Schneider Electric EcoStruxure IT Design CFD beispielsweise modelliert den Luftfluss innerhalb der Datenhalle; die Ausweitung der Analyse außerhalb des Gebäudes erfordert zusätzliche Fähigkeiten.

Der Immersive Twin von AVEVA verbindet diese Tools miteinander. Es unterhält eine Ontologie – eine Karte, die Geräte in der OpenUSD-Szene mit Engineering-Solvern und Messdaten verknüpft – und kombiniert diese Informationen im Zwilling. Auf der Designseite baut die Lösung auf bestehenden Engineering-Workflows und -Tools auf und integriert sich in Authoring-Lösungen wie AVEVA Unified Engineering, um die OpenUSD-Szene zu generieren. Die Ontologie und das Datenmodell können als eine einzige Wahrheitsquelle innerhalb der Lösung definiert und verfolgt oder über Verbindungen zu externen Systemen wie AVEVA Asset Information Management verwaltet werden. 

Auf der Simulationsseite ist die Lösung mit Schneider Electric EcoStruxure IT Design CFD, ETAP für Energiesimulation und AVEVA Process Simulation verbunden. Die Architektur ist außerdem darauf ausgelegt, vom Kunden ausgewählte Drittanbieter-Solver zu unterstützen. Die Datenkonnektivität ist ähnlich erweiterbar: Über NVIDIA DSX Exchange™ können Teams eine Vielzahl von Datenquellen integrieren und sie dann in Systemen wie AVEVA PI speichern, kuratieren und abgleichen.

Die Anwendung wird auf NVIDIA RTX-GPUs gerendert und mithilfe der WebRTC-Streaming-Funktion von Omniverse an einen Webbrowser gestreamt. Es kann vor Ort oder in der Cloud-Infrastruktur mit NVIDIA RTX™ GPUs bereitgestellt und skaliert werden.

Um die Entwicklung zu beschleunigen und gleichzeitig die Qualität zu erhalten, hat AVEVA KI-gestütztes Coding mit einer modularen OpenUSD-Architektur, CI/CD, Codeprüfungen und automatisierten Tests kombiniert. Das Unternehmen würdigt den NVIDIA Omniverse DSX Blueprint dafür, dass er seine Bemühungen, einen neuen Markt zu adressieren, erheblich beschleunigt hat. Das Team nutzte KI-Tools, um Omniverse-Integrationscode zu erstellen und erste Testfälle zu generieren. Der gleiche Ansatz half dem Team, einige der schweren Berechnungen des Viewports zu identifizieren und sie auf die GPU zu verlagern. AVEVA berichtet, dass diese Änderungen die Reaktionsfähigkeit und Gesamtleistung von Viewports erheblich verbessert haben. AVEVA erklärt, dass KI-Unterstützung dem Team auch dabei hilft, Kundenfeedback in schnelle Prototypen und schnelle Validierungszyklen zu verwandeln. AVEVA hat in vier Wochen den Schritt vom ersten Workshop zu einem funktionierenden Prototyp vollzogen.

In nur sechs Monaten lieferte ein AVEVA Tiger-Team das erste End-to-End-Immersive Twin MVP. Es kombiniert OpenUSD-Szenenkomposition, einen erweiterbaren Integrations- und Orchestrierungs-Hub sowie sechs repräsentative Solver- und Datenquellenintegrationen. Mithilfe von High-Velocity-Engineering-Praktiken, einschließlich KI-gestützter Entwicklung, verwandelte das Team eine ehrgeizige Vision schnell in eine funktionierende, integrierte Lösung und schuf die architektonische Grundlage für die Einführung in Unternehmen mit Rückverfolgbarkeit, Erweiterbarkeit und einem klaren Weg in die Produktion.

Jede KI-Fabrik arbeitet innerhalb eines bestimmten Leistungsrahmens. Ineffizientes Kühldesign kann Energie von der KI-Rechenleistung abziehen und die GPU-Auslastung sowie die Gesamteffizienz begrenzen. Die Herausforderung besteht darin, die Kühlleistung zu reduzieren, ohne die Geräte über ihre Temperaturziele hinauszutreiben.

AVEVA löst dies mit einem Kühloptimierer, der in seine Digital-Twin-Anwendung integriert ist und mit NVIDIA Omniverse und OpenUSD entwickelt wurde. Die Anwendung nutzt das Omniverse Kit SDK für ihre 3D-Oberfläche. Basierend auf dem aktuellen Layout der Datenhalle hält der Optimizer die IT-Last konstant und passt die Kühlmitteltemperatur in den CDUs in der Simulation an. Ingenieure können in einer animierten Ansicht sehen, wie Temperaturen auf ihre Ziele reagieren, detaillierte Dashboards ansehen und die gleiche Analyse auf Training, Inferenz und Burst-Workload-Szenarien anwenden.

Der Optimizer wurde entwickelt, um Ingenieuren dabei zu helfen, Kühlungseinstellungen zu identifizieren, die die erforderliche Fanwand- und CDU-Leistung reduzieren und gleichzeitig die Temperaturziele erreichen, wodurch möglicherweise mehr Leistung für KI-Workloads innerhalb der gleichen Energieversorgung der Anlage verfügbar wird.

Wenn sich die IT-Ausrüstung ändert, ändern sich auch die Anforderungen an die Kühlinfrastruktur, wodurch die Gerätekonfiguration zu einem weiteren wichtigen Teil des Engineering-Workflows wird.