JP2022105276A - 電力管理方法及び装置 - Google Patents

Abstract

【課題】電力管理方法を提供する。【解決手段】電力管理方法の一実施形態によれば、電力管理方法は、デバイスの動作周波数を決定するステップと、デバイスが一定動作周波数で動作することにおいて、デバイスの動作に必要な動作電力とデバイスの冷却に必要な冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定するステップと、ターゲット温度に適するようにデバイスの動作温度を調整するステップとを含む。【選択図】図１

Description

以下の実施形態は、電力管理方法及び装置に関する。

動的電圧周波数スケーリング（ｄｙｎａｍｉｃ ｖｏｌｔａｇｅ ｆｒｅｑｕｅｎｃｙ ｓｃａｌｉｎｇ：ＤＶＦＳ）は、コンピューティングデバイスの周波数及び電圧を状況に適するように調整してデバイスの電力消費を最適化する技術である。例えば、デバイスの高い性能を発揮しなければならない場合、ＤＶＦＳを介してデバイスの動作周波数及び電圧が高くなり、デバイスが低電力モードに突入する場合、動作周波数及び電圧は低くなる。超低温コンピューティング（ｃｒｙｏｇｅｎｉｃ ｃｏｍｐｕｔｉｎｇ）は、低い温度区間でコンピューティングデバイスを動作させる技術である。このような低い温度区間でデバイスを動作させると、デバイスの物理的特性が向上されることで、さらに低い電力で迅速な実行速度を取得することができる。

本発明の目的は、電力管理方法及び装置を提供することにある。

一実施形態によれば、電力管理方法は、デバイスの動作周波数を決定するステップと、前記デバイスが前記動作周波数で動作することにおいて、前記デバイスの動作に必要な動作電力と前記デバイスの冷却に必要な冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定するステップと、前記ターゲット温度に適するように前記デバイスの動作温度を調整するステップとを含む。

前記ターゲット温度を決定するステップは、複数の動作周波数区間にマッチングされた複数の候補ターゲット温度のうち、前記動作周波数が属する動作周波数区間の候補ターゲット温度を前記ターゲット温度として決定するステップを含むことができる。前記候補ターゲット温度は、前記動作周波数、前記動作温度、及び前記システム電力間の関係に基づいて予め決定されてもよい。

前記ターゲット温度を決定するステップは、前記デバイスの実際の動作過程で累積された動作データでトレーニングされたマシーンラーニングモデルを用いて前記ターゲット温度を決定するステップを含むことができる。前記マシーンラーニングモデルは、前記動作周波数を前記ターゲット温度にマッピングするよう前記動作データに基づいてトレーニングされてもよい。

前記ターゲット温度を決定するステップは、前記動作周波数に対応する前記デバイスの動作モードにマッチングされた最適化データセットを取得するステップと、前記最適化データセットから前記動作温度及びターゲット電圧を確認するステップとを含むことができる。前記ターゲット温度の範囲は１５０Ｋ以下の低温区間を含んでもよい。前記動作温度を調整するステップは、前記デバイスの冷却器を制御するステップを含み、前記冷却器は、前記デバイスの前記動作温度を１５０Ｋ以下の低温区間に調整することができる。前記システム電力を向上させる前記ターゲット温度は、システム電力使用を減少させる温度であってもよい。

一実施形態によると、電力管理装置は、プロセッサと、前記プロセッサで実行可能な命令語を含むメモリとを含み、前記命令語が前記プロセッサで実行されれば、前記プロセッサは、デバイスの動作周波数を決定し、前記デバイスが前記動作周波数で動作することにおいて、前記デバイスの動作に必要な動作電力と前記デバイスの冷却に必要な冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定し、前記ターゲット温度に適するように前記デバイスの動作温度を調整する。

一実施形態によると、サーバは、動作周波数で動作するデバイスと、前記デバイスが前記動作周波数で動作することにおいて、前記デバイスの動作に必要な動作電力と前記デバイスの冷却に必要な冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定する電力管理装置と、前記ターゲット温度に適するように前記デバイスの動作温度を調整する冷却器とを含む。

一実施形態によると、電力管理方法は、デバイスの動作周波数に基づいて、前記デバイスの冷却電力及び動作電力に基づいて決定されたシステム電力を最適化するように決定された前記デバイスのターゲット温度を決定するステップと、前記ターゲット温度に基づいて前記デバイスの動作温度を調整するステップとを含む。

前記ターゲット温度を決定するステップは、前記動作周波数が第１周波数であることよりも、前記動作周波数が第２周波数であることに応答して前記ターゲット温度をさらに大きく決定するステップを含み、前記第１周波数は前記第２周波数よりも大きくてもよい。

前記ターゲット温度は、前記デバイスの前記動作周波数を含む動作周波数の範囲に関して決定されたターゲット温度範囲に基づいて決定されることができる。前記ターゲット温度範囲内の各温度は、前記動作周波数の範囲内の対応動作周波数及び対応ターゲットシステム電力に基づいて決定されることができる。前記ターゲット温度範囲内の各温度は、他のシステム電力及び同じ動作周波数に対応する複数の温度のうち、最低システム電力に対応する温度に決定されることができる。前記ターゲット温度は、前記ターゲット温度範囲内温度の平均値、最大値、最小値、及び中間値のいずれか１つに基づいて決定されることができる。

一実施形態によると、電力管理方法は、デバイスの動作周波数に基づいて前記デバイスのターゲット温度を決定するステップと、前記ターゲット温度に基づいて前記デバイスの動作温度を調整してシステム電力消費を低減するステップとを含み、前記システム電力消費は、前記デバイスの電力消費及び前記デバイスの冷却器の電力消費を含む。

前記ターゲット温度を決定するステップは、前記動作周波数の増加に対応して前記決定されたターゲット温度を上昇させるステップを含むことができる。

本発明によると、電力管理方法及び装置を提供することができる。

一実施形態に係る電力管理装置の動作を概略的に示す。 動作周波数による動作電力を数個の動作温度ごとに示す例示的なグラフである。 動作温度による動作電力及び冷却電力を示す例示的なグラフである。 一実施形態により冷却電力を考慮して最適温度を決定する過程を示す。 一実施形態に係る動作周波数による最適温度を示す例示的なグラフである。 図５Ａに示すグラフで動作周波数区間ごとの代表最適温度を設定する過程を示す。 一実施形態に係る各動作周波数区間に最適化データセットをマッピングするマッピング情報の例示を示す。 一実施形態に係るニューラルネットワークモデルのトレーニング過程を示す。 一実施形態に係る電力管理方法を示すフローチャートである。 様々な実施形態に係るデバイスの構成を示す。 様々な実施形態に係るデバイスの構成を示す。 一実施形態に係る冷却構造を示す。 一実施形態に係る冷却構造を示す。 一実施形態に係る電力管理装置の構成を示すブロック図である。 一実施形態に係るサーバの構成を示すブロック図である。

本明細書で開示する特定の構造的又は機能的な説明は単に実施形態を説明するための目的として例示したものであり、実施形態は様々な異なる形態で実施され、本発明は本明細書で説明した実施形態に限定されるものではなく、本発明の範囲は、実施形態で説明した技術的な思想に含まれている変更、均等物、または代替物を含む。

第１又は第２などの用語を複数の構成要素を説明するために用いることがあるが、このような用語は１つの構成要素を他の構成要素から区別する目的としてのみ解釈されなければならない。例えば、第１構成要素は第２構成要素と命名することができ、同様に第２構成要素は第１構成要素にも命名することができる。

いずれかの構成要素が他の構成要素に「連結」されているか「接続」されていると言及されたときには、その他の構成要素に直接的に連結されているか又は接続されているが、中間に他の構成要素が存在し得るものと理解されなければならない。

単数の表現は、文脈上、明白に異なる意味をもたない限り複数の表現を含む。本明細書において、「含む」又は「有する」等の用語は明細書上に記載した特徴、数字、ステップ、動作、構成要素、部品又はこれらを組み合わせたものが存在することを示すものであって、１つ又はそれ以上の他の特徴や数字、ステップ、動作、構成要素、部品、又はこれを組み合わせたものなどの存在又は付加の可能性を予め排除しないものとして理解しなければならない。

異なるように定義さがれない限り、技術的であるか又は科学的な用語を含むここで用いる全ての用語は、本実施形態が属する技術分野で通常の知識を有する者によって一般的に理解されるものと同じ意味を有する。一般的に用いられる予め定義された用語は、関連技術の文脈上で有する意味と一致する意味を有するものと解釈すべきであって、本明細書で明白に定義しない限り、理想的又は過度に形式的な意味として解釈されることはない。

以下、添付する図面を参照しながら実施形態を詳細に説明する。添付図面を参照して説明するにおいて、図面符号に関係なく同一の構成要素には同一の参照符号を付与し、これに対する重複する説明は省略することにする。

図１は、一実施形態に係る電力管理装置の動作を概略的に示す。図１を参照すると、電力管理装置１１０はシステム１２０の電力を最適化することができる。電力の最適化は、電力消費に関する様々な因子（ｆａｃｔｏｒ）を状況に適するように調整して電力効率を最大化する動作を意味する。例えば、電力の最適化は、同じ性能（例えば、動作周波数）を発揮するために必要な電力を最小化する因子の組み合わせを探索することを含んでもよい。電力管理装置１１０は、動的電圧周波数スケーリング（ｄｙｎａｍｉｃ ｖｏｌｔａｇｅ ｆｒｅｑｕｅｎｃｙ ｓｃａｌｉｎｇ：ＤＶＦＳ）を用いて電力を最適化することができる。ＤＶＦＳは、管理対象デバイスの動作周波数（例えば、クロック）及び動作電圧を状況に適するように調整して該当デバイスの電力消費を最適化する技術である。例えば、動作周波数及び動作電圧は、多くの資源を求めるアプリケーションを実行するよう、高い性能が求められる状況で高くなり、待機状態のように低い性能が求められる状況においては低くなる。

電力管理装置１１０は、従来のＤＶＦＳで考慮されていない温度をさらに考慮して電力を最適化することができる。既存に温度調整は、過熱防止のために周波数及び電圧を低くするよう、主に耐久性の保持目的として考慮されたが、電力管理装置１１０は、温度調整を介して電力効率を向上させることができる。例えば、電力管理装置１１０は、ＤＶＦＳを極低温（ｃｒｙｏｇｅｎｉｃ）の含まれた低温環境において適用されてもよい。低温環境は、コンピューティング装置の物理的特性を向上させ、これにより、さらに低い電力で迅速な実行速度を取得することができる。温度が低くなるほど同じ性能を行うための要求電力が減少するものの、反対に、温度を低くするための冷却電力は上昇する。ここで、電力管理装置１１０は、このような冷却電力を考慮してシステム１２０の全体電力を最適化することができる。

図１を参照すると、システム１２０は、デバイス１２１及び冷却器１２２を含む。デバイス１２１は、ＤＶＦＳを介して電圧及び／又は周波数を変更して動作し、冷却器１２２は、デバイス１２１の動作温度を調整する。ここで、デバイス１２１の動作に必要な電力は動作電力（ｏｐｅｒａｔｉｎｇ ｐｏｗｅｒ）として定義し、デバイス１２１の冷却に必要な電力は、冷却電力（ｃｏｏｌｉｎｇ ｐｏｗｅｒ）として定義する。動作電力は、デバイス１２１によって消費される電力であり、冷却電力は、冷却器１２２によって消費される電力である。一定の性能を発揮するために必要なデバイス１２１の消費電力が低くなるほど動作電力の効率は高くなり、一定の動作温度を保持するために必要な冷却器１２２の消費電力が低くなるほど、冷却電力の効率は高くなる。動作電力及び冷却電力の組み合せは、システム電力（ｓｙｓｔｅｍ ｐｏｗｅｒ）として定義する。例えば、動作電力及び冷却電力は、合算を通じて組み合せわせることができる。システム電力は、システム１２０により消費される電力に該当する。

電力管理装置１１０は、動作電力及び冷却電力を全て考慮してシステム電力を最適化することができる。電力管理装置１１０は、デバイス１２１の動作周波数を確認し、該当の動作周波数でシステム電力を向上させるターゲット温度を決定してもよい。ターゲット温度は、該当動作周波数でシステム電力を最適化する最適温度である。例えば、電力管理装置１１０は、動作周波数と最適温度との間のマッチング情報を用いて、現在の動作周波数にマッチングされた最適温度を決定することができる。このようなマッチング情報は、デバイス１２１の仕様（ｓｐｅｃｉｆｉｃａｔｉｏｎ）及び／又は試験を通じて予め導出され得る。異なる例として、電力管理装置１１０は、マシーンラーニングモデルを用いて最適温度を決定してもよい。マシーンラーニングモデルは、動作周波数と最適温度をマッピングするよう予め及び／又はリアルタイムにトレーニングされてもよい。マシーンラーニングモデルは、デバイス１２１の実際の動作過程で累積された動作データでトレーニングされ、これにより、実際の動作データに最適化されたモデルを導き出すことができる。例えば、マシーンラーニングモデルは、ニューラルネットワークモデルを含んでもよい。

電力管理装置１１０は、ターゲット温度と共にターゲット電圧を決定してもよい。ターゲット電圧は、動作周波数でシステム電力を最適化する最適電圧である。最適温度及び最適電圧は、最適化データセットのように称されてもよい。このような最適化データセットは、各動作周波数に対して存在する。この場合、マッチング情報は、各動作周波数に対する最適化データセットを格納し、電力管理装置１１０は、このようなマッチング情報を用いて現在の動作周波数にマッチングされた最適温度及び最適電圧を決定することができる。これとは異なって、動作周波数及び最適化データセットをマッピングするようにトレーニングされたニューラルネットワークモデルが使用されてもよい。

最適温度及び／又は最適電圧を決定すれば、電力管理装置１１０は、最適温度及び／又は最適電圧に適するよう、デバイス１２１の動作温度及び／又は動作電圧を調整する。電力管理装置１１０は、冷却器１２２を制御して動作温度を調整してもよい。最適温度の範囲は、１５０Ｋ以下の低温区間及び／又は７７Ｋ以下の極低温区間を含んでもよく、冷却器１２２は、様々な冷却技術によって動作温度を最適温度に合わせることができる。例えば、冷却器１２２は、デバイス１２１を液体窒素（ｎｉｔｒｏｇｅｎ）、液体メタン（ｌｉｑｕｉｄ ｍｅｔｈａｎｅ）のような冷媒に浸漬する浸漬式冷却（ｉｍｍｅｒｓｉｏｎ ｃｏｏｌｉｎｇ）を用いてもよい。異なる例として、冷却器１２２は、空冷式熱交換器（ａｉｒ－ｃｏｏｌｅｄ ｈｅａｔ ｅｘｃｈａｎｇｅｒ）を用いたドライクーリング（ｄｒｙ ｃｏｏｌｉｎｇ）、噴霧冷却（ｓｐｒａｙ ｃｏｏｌｉｎｇ）、及び／又は希釈冷凍（ｄｉｌｕｔｉｏｎ ｒｅｆｒｉｇｅｒａｔｉｏｎ）を用いてもよい。また、電力管理装置１１０は、デバイス１２１の電力供給器を制御して動作電圧を調整することができる。

図２は、動作周波数による動作電力を数個の動作温度ごとに示す例示的なグラフである。図２を参照すると、グラフ２００において、第１曲線２１０は第１温度、第２曲線２２０は第２温度を示す。例えば、第１温度は３００Ｋであってもよく、第２温度は７７Ｋ～１５０Ｋであってもよい。３００Ｋは室温（ｒｏｏｍ ｔｅｍｐｅｒａｔｕｒｅ）に該当し、１５０Ｋ及び７７Ｋは低温に該当する。グラフ２００は、第１曲線２１０の第１地点２１１を基準として各動作周波数及び各動作電力を正規化して示す。ここで、第２曲線２２０の第２－１地点２２１、及び第２－２地点２２２をそれぞれ第１地点２１１と比較し、動作周波数及び動作電力に対する低温環境の影響を確認することができる。

第２－１地点２２１と第１地点２１１とを比較すると、動作温度が第１温度から第２温度に減少するにつれて、同じ動作周波数を駆動するために求められる動作電力が大きく減少する。第２－２地点２２２と第１地点２１１とを比較すると、同じ動作電力で駆動可能な動作周波数が大きく増加する。従って、温度が減少することに伴って、動作周波数の安定的な動作のための動作電力も減少し、低い温度範囲においてこのような効果が相当であることが分かる。

図３は、動作温度による動作電力及び冷却電力を示す例示的なグラフである。図３を参照すると、グラフ３００において、曲線３１０は温度による動作電力を示し、曲線３２０は温度による冷却電力を示す。曲線３１０によれば、温度が低下するほど低温効果により動作電力が低くなる。一方、曲線３２０によれば、温度を低下させるほど冷却器の冷却電力は急激に増加する。従って、電力管理装置は、このような動作電力と冷却電力との間の関係に基づいて、これらをバランシングしてシステム電力を最適化することができる。

図４は、一実施形態により冷却電力を考慮して最適温度を決定する過程を示す。図４を参照すると、グラフ４１０は、周波数比（ｆｒｅｑｕｅｎｃｙ ｒａｔｉｏ）による動作電力の電力比を示す。グラフ４１０には、冷却電力が反映されていない。グラフ４１０によれば、全ての温度で周波数が増加するにつれて動作電力は増加し、温度が低くなるほど動作電力は減少する。グラフ４２０は、周波数比によるシステム電力の電力比を示す。システム電力は、動作電力及び冷却電力を含む。言い換えれば、グラフ４２０には冷却電力が反映されている。例えば、図３に示す曲線３１０，３２０による動作電力と冷却電力と間の関係をグラフ４１０に反映し、グラフ４２０を導出することができる。

グラフ４２０によれば、各周波数でシステム電力を最小化する温度が決定されてもよい。このような温度は最適温度として定義される。曲線４２１は、このような最適温度を連結したものである。例えば、周波数が低い区間では相対的に低い温度（例えば、６０Ｋ）が最適温度に該当し、周波数が高い区間では相対的に高温（例えば、１６０Ｋ）が最適温度に該当する。電力管理装置は、曲線４２１に基づいてデバイスの動作周波数に対応する最適温度を決定し、該当の最適温度に適するようにデバイスの動作温度を調整することができる。

図５Ａは、一実施形態に係る動作周波数による最適温度を示す例示的なグラフである。グラフ５００は、図４に示す曲線４２１を動作周波数による最適温度に変換して示す。グラフ５００において、最適温度が６０Ｋから１６０Ｋに制限されていることは、曲線４２１を構成している温度の範囲が６０Ｋから１６０Ｋまでであるためであり、他の温度範囲で曲線４２１が導き出される場合、グラフ５００の最適温度の範囲も変わり得る。グラフ５００を通じて動作周波数と最適温度との間のマッチング情報が導出されることができる。例えば、ｘ－軸の各動作周波数値にグラフ５００のｙ－軸の最適温度値をマッチングしてもよい。この場合、各動作周波数ごとに互いに異なる最適温度がマッチングされてもよい。ここで、最適電圧も最適温度と共に各動作周波数にマッチングされてもよい。

これとは異なって、ｘ－軸の動作周波数を数個の区間に分割し、各区間に代表値をマッチングすることも可能である。これについて図５Ｂに図示されている。図５Ｂは、図５Ａのグラフにおいて、動作周波数区間ごとの代表最適温度を設定する過程を示す。図５Ｂを参照すると、グラフ５０１の動作周波数は動作周波数区間５１０～５４０に分割され、動作周波数区間５１０～５４０のそれぞれに最適温度値がマッチングされてもよい。該当区間の代表値が最適温度に決定されてもよい。例えば、代表値は、平均値、最大値、最小値、及び中間値のような統計的な値であり得る。

一例として、第２最適温度区間５２１の第２中間値が第２動作周波数区間５２０の最適温度であり、第３最適温度区間５３１の第３中間値が第３動作周波数区間５３０の最適温度にマッチングされてもよい。この場合、電力管理装置は、デバイスが第２動作周波数区間５２０で動作する場合、デバイスの動作温度を第２中間値の最適温度に調整し、デバイスが第３動作周波数区間５３０で動作する場合、動作温度を第３中間値の最適温度に調整することができる。ここで、最適電圧は、動作周波数区間５１０～５４０ごとに設定されたり、あるいは図５Ａに示すように、各動作周波数ごとに設定されてもよい。後者の場合、同じ周波数区間で最適温度は保持され、最適電圧は変化されてもよい。

図５Ｃは、一実施形態に係る各動作周波数区間に最適化データセットをマッピングするマッピング情報の例示を示す。図５Ｃを参照すると、動作周波数は、数個の区間に分割されてもよい。例えば、分割基準は、低電力モード、高性能モードのようなデバイスの動作モードであってもよい。図５Ｃには、このようなモードの例示として、モード１～モード４が図示されている。但し、周波数区間及び／又はモードは、異なる数に分割されてもよい。図５Ｃにおいて、各モードに最適化データセット５５０～５８０がマッチングされる。例えば、第１最適化データセット５５０はモード１にマッチングされ、最適温度ａ１及び最適電圧ｂ１を含む。残りの最適化データセット５６０～５８０も最適温度ａ２～ａ４及び最適電圧ｂ４を含む。ここで、最適温度ａ１～ａ４及び／又は最適電圧ｂ１～ｂ４は、温度及び／又は電圧の特定値を指示したり、あるいは特定範囲を指示してもよい。電力管理装置は、図５Ｃに示すようなマッピング情報を介して現在の動作周波数に適する最適化データセットを決定することができる。

図６は、一実施形態に係るマシーンラーニングモデルのトレーニング過程を示す。図６を参照すると、システム６２０のデバイス６２１及び冷却器６２２が実際に動作する過程において動作データ６３０が累積され、動作データ６３０に基づいてマシーンラーニングモデル６１０がトレーニングされてもよい。例えば、動作データ６３０は、動作周波数、動作電圧、動作温度、動作電力、及び冷却電力を含んでもよい。動作データ６３０は、デバイス６２１及び／又は冷却器６２２から受信されたり、これらに設けられたセンサを通じて測定されてもよい。

マシーンラーニングモデル６１０は、このような動作データ６３０を介して動作周波数、動作電圧、動作温度、及びシステム電力間の関係を把握し、与えられた動作周波数から最適温度及び／又は最適電圧を導き出す能力を取得できる。マシーンラーニングモデル６１０は、複数のレイヤを含むディープニューラルネットワーク（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＤＮＮ）に該当する。複数のレイヤは、入力層、隠れ層、及び出力層を含んでもよい。ディープニューラルネットワークは、完全接続ネットワーク（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｎｅｔｗｏｒｋ：ＦＣＮ）、コンボリューショナルニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）、及びリカレントニューラルネットワーク（ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＲＮＮ）を含んでもよい。

ニューラルネットワークモデルは、ディープランニングに基づいてトレーニングされた後、非線形関係にある入力データ及び出力データを互いにマッピングすることで、トレーニング目的に適する推論を実行することができる。ディープランニングは、ビッグデータセットから映像又は音声認識のような問題を解決するための機械学習方式である。ディープランニングは、準備されたトレーニングデータを用いてニューラルネットワークモデルをトレーニングし、エネルギーが最小化される地点に行く最適化された問題解説過程として理解されてもよい。

ディープランニングの教師あり（ｓｕｐｅｒｖｉｓｅｄ）又は教師なし（ｕｎｓｕｐｅｒｖｉｓｅｄ）学習を介してニューラルネットワークモデルの構造、あるいはモデルに対応するウェイトが求められ、このようなウェイトを介してニューラルネットワークモデルの入力データ及び出力データが互いにマッピングされてもよい。ニューラルネットワークモデルの幅及び深さが十分に大きければ、任意の関数を実現できる程の容量を有し得る。ニューラルネットワークモデルが適切なトレーニング過程を介して十分に多い量のトレーニングデータを学習すれば、最適な性能を達成することができる。

マシーンラーニングモデル６１０は、動作データ６３０に基づいて現在の動作周波数に適する最適電圧及び／又は最適電圧を出力するようにトレーニングされてもよい。例えば、動作データ６３０を介して各動作周波数を駆動させた温度及び／又は電圧による動作電力、冷却電力、及びシステム電力が導出され、マシーンラーニングモデル６１０は、このようなデータに基づいて各動作周波数に適する最適電圧及び／又は最適電圧を出力するようにトレーニングされることができる。例えば、マシーンラーニングモデル６１０の出力データは、図５Ａ～図５Ｃに示す形式（例えば、図５Ｃの最適化データセット５５０～５８０）を有してもよい。

動作データ６３０は、実際の動作によるデータであるため、マシーンラーニングモデル６１０を介して導出された最適温度及び／又は最適電圧は、デバイス仕様を介して導出されたものなどに比べて実際のデータに適する。従って、マシーンラーニングモデル６１０が動作データ６３０にトレーニングされることで、実際のデータに適する最適温度及び／又は最適電圧が導出されることができる。また、システム６２０の状態変化を反映するために、マシーンラーニングモデル６１０は、動作データ６３０が累積される過程で繰り返しアップデートされることができる。例えば、マシーンラーニングモデル６１０は、一定の時間間隔（例えば、周期的及び／又は非周期的な間隔）、システム６２０の有意味な状態変化、管理者の要求などに基づいてアップデートされる。マシーンラーニングモデル６１０は、これによりシステム６２０の実際の状態に適するモデルパラメータを保持することができる。

図７は、一実施形態に係る電力管理方法を示すフローチャートである。図７を参照すると、ステップＳ７１０において、電力管理装置は、デバイスの動作周波数を決定する。電力管理装置は、デバイスから動作周波数に関する情報を受信したり、あるいはデバイスに設けられたセンサを介して動作周波数を測定してもよい。ステップＳ７２０において、電力管理装置は、デバイスが該当の動作周波数で動作することにおいて、動作電力と冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定する。ターゲット温度は、該当の動作周波数でシステム電力を最適化する最適温度である。ここで、電力管理装置は、動作周波数でシステム電力を向上させるターゲット電圧を共に決定してもよい。ターゲット電圧は、動作周波数でシステム電力を最適化する最適電圧に該当する。

一実施形態によれば、電力管理装置は、複数の動作周波数区間にマッチングされた複数の候補最適温度のうち、動作周波数が属する動作周波数区間の候補最適温度を最適温度として決定し、及び／又は最適温度とマッチングされた最適電圧を導出することができる。最適温度及び／又は最適電圧は、動作周波数、動作温度、及びシステム電力間の関係に基づいて予め決定されてもよい。他の一実施形態によれば、電力管理装置は、デバイスの実際の動作過程で累積された動作データにトレーニングされたマシーンラーニングモデルを用いて最適温度及び／又は最適電圧を決定してもよい。マシーンラーニングモデルは、動作周波数を最適温度及び／又は最適電圧にマッピングするよう動作データに基づいてトレーニングされてもよい。

ステップＳ７３０において、電力管理装置は、ターゲット温度に適するようにデバイスの動作温度を調整する。ここで、電力管理装置は、ターゲット電圧に適するようにデバイスの動作電圧を共に調整してもよい。動作温度は、冷却器を介して調整されてもよく、動作電圧は電力供給器を介して調整されてもよい。ここで、動作温度及び／又は最適温度の範囲は１５０Ｋ以下の低温区間及び／又は７７Ｋ以下の極低温区間を含んでもよい。その他に、電力管理方法には、図１～図６及び図８～図１３に基づいた説明が適用されてもよい。

図８及び図９は、様々な実施形態に係るデバイスの構成を示す。図８を参照すると、デバイス８２０はセンサ８２１を含む。電力管理装置８１０は、センサ８２１を介してデバイス８２０の状態を測定したり、及び／又はデバイス８２０から状態情報を受信してもよい。例えば、状態情報は、動作周波数、動作電圧、動作温度、及び動作電力を含んでもよい。図示していないが、電力管理装置８１０は、他のセンサを介して冷却器８３０の状態を測定したり、及び／又は冷却器８３０から状態情報を受信してもよい。例えば、冷却器８３０の状態は冷気生産（ｃｏｌｄ ｐｒｏｄｕｃｔｉｏｎ）、冷却電力を含んでもよい。電力管理装置８１０は、デバイス８２０及び／又は冷却器８３０の状態に基づいて最適温度及び／又は最適電圧を決定し、デバイス８２０が最適温度及び／又は最適電圧で動作するようにデバイス８２０及び／又は冷却器８３０を制御する。

図９を参照すると、デバイス９２０は、プロセッサ９２１、メモリ９２３、加速器９２５、貯蔵所９２７、及びこれらの状態を測定するセンサ９２２，９２４，９２６，９２８を含む。但し、これらの構成は１つの例示に過ぎず、デバイス９２０はこれらの構成の一部を含んだり、あるいは他の構成をさらに含んでもよい。電力管理装置９１０は、センサ９２２，９２４，９２６，９２８を介してデバイス９２０の各構成の状態を測定し、各構成が最適温度及び／又は最適電圧で動作するように各構成及び／又は冷却器９３０を制御する。例えば、電力管理装置９１０は、発熱の大きい構成により多くの冷気が供給されるよう冷却器９３０を制御してもよい。冷却器９３０は、電力管理装置９１０の指示により対象構成に特定量の冷気を供給し、対象構成の温度を制御することができる。

図１０及び図１１は、一実施形態に係る冷却構造を示す。図１０を参照すると、電力管理装置１０１０は、真空－断熱ケース（ｖａｃｕｕｍ－ｉｎｓｕｌａｔｅｄ ｃａｓｅ）１０４０内のデバイス１０２０の電力を最適化する。デバイス１０２０は、プロセッサ１０２１、メモリ１０２２、加速器１０２３、及び貯蔵所１０２４を含む。但し、これらの構成は１つの例示に過ぎず、デバイス１０２０はこれら構成の一部を含んだり、あるいは他の構成をさらに含んでもよい。

電力管理装置１０１０は、密封ポート１０４１を介してバルブ１０３２～１０３５、及びデバイス１０２０の各構成に接続され、デバイス１０２０の各構成から状態情報を測定及び／又は受信して最適温度及び／又は最適電圧を決定し、それに基づいて、バルブ１０３２～１０３５及び／又は電力供給器１０２５を制御する。電力供給器１０２５及び周辺機器１０２６は密封ポート１０４１を介してデバイス１０２０に接続される。電力供給器１０２５は、デバイス１０２０に電力を供給する。例えば、電力供給器１０２５は、電力管理装置１０１０によりデバイス１０２０に最適電圧を印加することができる。周辺機器１０２６は、例えば、入出力装置、ネットワーク装備、ディスプレイなどを含んでもよい。

冷却器は、冷媒供給器１０３１及び冷媒回収器１０３６から構成されている。冷媒供給器１０３１は、注入口１０４２及びバルブ１０３２，１０３３，１０３４，１０３５を介してデバイス１０２０の各構成に冷媒を供給する。電力管理装置１０１０及び／又は冷媒供給器１０３１は、デバイス１０２０及び／又は各構成の動作温度が最適温度に適するように調整されるようバルブ１０３２，１０３３，１０３４，１０３５を制御することができる。バルブ１０３２，１０３３，１０３４，１０３５を介して供給された冷媒により、デバイス１０２０及び／又は各構成の動作温度が調整されることができる。冷媒は、流出口１０４３を介して排出されて冷媒回収器１０３６により回収される。ポンプ１０５０は、ポンプポートを介して真空－断熱ケース１０４０内の真空状態を保持することができる。

例えば、冷却器は、デバイス１０２０を液体窒素、液体メタンのような冷媒に浸漬する浸漬式冷却を用いてもよい。図１１を参照すると、浸漬式冷却構造１１００は、ヒートシンク１１１１及び熱ディフューザ１１１２を含む。ヒートシンク１１１１は、冷媒１１２０からの冷気を受けて、熱ディフューザ１１１２を介して対象構成に冷気を伝達する。ヒートシンク１１１１と冷媒１１２０との間の接触面積を介して冷気生産の量を決定する。例えば、冷媒１１２０が多く供給されてヒートシンク１１１１と冷媒１１２０との間の接触面積が広くなるほど、冷気生産は増加する。対象構成は、図１０に示すデバイス１０２０及び／又はデバイス１０２０の各構成であってもよい。

図１２は、一実施形態に係る電力管理装置の構成を示すブロック図である。図１２を参照すると、電力管理装置１２００は、プロセッサ１２１０及びメモリ１２２０を含む。メモリ１２２０は、プロセッサ１２１０に接続し、プロセッサ１２１０によって実行可能な命令語、プロセッサ１２１０が演算するデータ又はプロセッサ１２１０によって処理されたデータを格納することができる。メモリ１２２０は、非一時的なコンピュータで読取り可能な媒体、例えば、高速ランダムアクセスメモリ及び又は不揮発性コンピュータで読取り可能な格納媒体（例えば、１つ又は複数のディスク格納装置、フラッシュメモリ装置、又は、その他の不揮発性ソリッドステートメモリ装置）を含んでもよい。

プロセッサ１２１０は、図１～図１１、及び図１３に示す動作を行うための命令語を実行してもよい。例えば、プロセッサ１２１０は、デバイスの動作周波数を決定し、デバイスが動作周波数で動作することにおいて、デバイスの動作に必要な動作電力とデバイスの冷却に必要な冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定し、ターゲット温度に適するようにデバイスの動作温度を調整することができる。その他に、電力管理装置１２００には、図１～図１１、及び図１３の説明が適用されてもよい。

図１３は、一実施形態に係るサーバの構成を示すブロック図である。図１３を参照すると、サーバ１３００は、電力管理装置１３１０、デバイス１３２０、及び冷却器１３３０を含む。例えば、サーバ１３００は、低温環境又は極低温環境のデータセンサに設けられてもよい。デバイス１３２０は、一定の動作周波数で動作し、電力管理装置１３１０は、デバイス１３２０が該当の動作周波数で動作することにおいて、デバイス１３２０の動作に必要な動作電力とデバイス１３２０の冷却に必要な冷却電力の組み合わせに該当するシステム電力を最適化する最適温度を決定することができる。図１３に示すデバイス１３２０は、１つのみが図示されているが、サーバ１３００は２以上のデバイスを含んでもよい。冷却器１３３０は、最適温度に適するようにデバイス１３２０の動作温度を調整することができる。その他に、サーバ１３００、電力管理装置１３１０、デバイス１３２０、及び冷却器１３３０には、図１～図１２に示す説明が適用されてもよい。

以上で説明した実施形態は、ハードウェア構成要素、ソフトウェア構成要素、又はハードウェア構成要素及びソフトウェア構成要素の組み合せで具現される。例えば、本実施形態で説明した装置及び構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、マイクロコンピュータ、ＦＰＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサー、又は命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行して応答する異なる装置のように、１つ以上の汎用コンピュータ又は特殊目的コンピュータを用いて具現される。処理装置は、オペレーティングシステム（ＯＳ）及び前記オペレーティングシステム上で行われる１つ以上のソフトウェアアプリケーションを行うことができる。また、処理装置は、ソフトウェアの実行に応答してデータをアクセス、格納、操作、処理及び生成することもできる。理解の利便のために、処理装置は、１つが使用されるものと説明される場合もあるが、当該技術分野において通常の知識を有する者は、処理装置が複数の処理要素（ｐｒｏｃｅｓｓｉｎｇ ｅｌｅｍｅｎｔ）及び又は複数のタイプの処理要素を含んでいることが分かる。例えば、処理装置は、複数のプロセッサ又は一のプロセッサ及び一つのコントローラを含んでもよい。また、並列プロセッサのような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、又はそのうちの一つ以上の組合せを含み、希望の通りに動作するよう処理装置を構成したり、独立的又は結合的に処理装置を命令することができる。ソフトウェア及び／又はデータは、処理装置によって解釈されたり処理装置に命令又はデータを提供するために、いずれかの類型の機械、構成要素、物理的装置、仮想装置、コンピュータ格納媒体又は装置、又は送信される信号波に永久的又は一時的に具体化することができる。ソフトウェアはネットワークに連結されたコンピュータシステム上に分散され、分散した方法で格納されたり実行され得る。ソフトウェア及びデータは一つ以上のコンピュータで読出し可能な記録媒体に格納され得る。

本実施形態による方法は、様々なコンピュータ手段を介して実施されるプログラム命令の形態で具現され、コンピュータ読み取り可能な記録媒体に記録される。記録媒体は、プログラム命令、データファイル、データ構造などを単独又は組み合せて含む。記録媒体及びプログラム命令は、本発明の目的のために特別に設計して構成されたものでもよく、コンピュータソフトウェア分野の技術を有する当業者にとって公知のものであり使用可能なものであってもよい。コンピュータ読み取り可能な記録媒体の例として、ハードディスク、フロッピー（登録商標）ディスク及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスクのような磁気－光媒体、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令を保存して実行するように特別に構成されたハードウェア装置を含む。プログラム命令の例としては、コンパイラによって生成されるような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行される高級言語コードを含む。

上記で説明したハードウェア装置は、本発明に示す動作を実行するために１つ以上のソフトウェアモジュールとして作動するように構成してもよく、その逆も同様である。

上述したように実施形態をたとえ限定された図面によって説明したが、当技術分野で通常の知識を有する者であれば、上記の説明に基づいて様々な技術的な修正及び変形を適用することができる。例えば、説明された技術が説明された方法と異なる順で実行されるし、及び／又は説明されたシステム、構造、装置、回路などの構成要素が説明された方法と異なる形態で結合又は組み合わせられてもよいし、他の構成要素又は均等物によって置き換え又は置換されたとしても適切な結果を達成することができる。

したがって、本発明の範囲は、開示された実施形態に限定されて定められるものではなく、特許請求の範囲及び特許請求の範囲と均等なものなどによって定められるものである。

１１０、８１０、９１０、１０１０、１２００、１３１０ 電力管理装置
１２１、６２１、８２０、９２０、１０２０、１３２０ デバイス
１２２、６２２、８３０、９３０、１３３０ 冷却器

Claims (24)

1. デバイスの動作周波数を決定するステップと、
   前記デバイスが前記動作周波数で動作することにおいて、前記デバイスの動作に必要な動作電力と前記デバイスの冷却に必要な冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定するステップと、
   前記ターゲット温度に適するように前記デバイスの動作温度を調整するステップと、
   を含む電力管理方法。
2. 前記ターゲット温度を決定するステップは、複数の動作周波数区間にマッチングされた複数の候補ターゲット温度のうち、前記動作周波数が属する動作周波数区間の候補ターゲット温度を前記ターゲット温度として決定するステップを含む、請求項１に記載の電力管理方法。
3. 前記候補ターゲット温度は、前記動作周波数、前記動作温度、及び前記システム電力間の関係に基づいて予め決定される、請求項２に記載の電力管理方法。
4. 前記ターゲット温度を決定するステップは、前記デバイスの実際の動作過程で累積された動作データでトレーニングされたマシーンラーニングモデルを用いて前記ターゲット温度を決定するステップを含む、請求項１に記載の電力管理方法。
5. 前記マシーンラーニングモデルは、前記動作周波数を前記ターゲット温度にマッピングするよう前記動作データに基づいてトレーニングされる、請求項４に記載の電力管理方法。
6. 前記ターゲット温度を決定するステップは、
   前記動作周波数に対応する前記デバイスの動作モードにマッチングされた最適化データセットを取得するステップと、
   前記最適化データセットから前記動作温度及びターゲット電圧を確認するステップと、
   を含む、請求項１に記載の電力管理方法。
7. 前記ターゲット温度の範囲は１５０Ｋ以下の低温区間を含む、請求項１乃至６のいずれか１項に記載の電力管理方法。
8. 前記動作温度を調整するステップは、前記デバイスの冷却器を制御するステップを含み、
   前記冷却器は、前記デバイスの前記動作温度を１５０Ｋ以下の低温区間に調整する、請求項１乃至７のいずれか１項に記載の電力管理方法。
9. 前記システム電力を向上させる前記ターゲット温度は、システム電力使用を減少させる温度である、請求項１乃至８のいずれか１項に記載の電力管理方法。
10. ハードウェアと結合して請求項１～請求項９のいずれか一項に記載の電力管理方法を実行させるためにコンピュータで読み出し可能な記録媒体に格納されたコンピュータプログラム。
11. プロセッサと、
    前記プロセッサで実行可能な命令語を含むメモリと、
    を含み、
    前記命令語が前記プロセッサで実行されるとき、前記プロセッサは、請求項１乃至９のいずれか１項に記載の電力管理方法を実行する、
    電力管理装置。
12. 動作周波数で動作するデバイスと、
    前記デバイスが前記動作周波数で動作することにおいて、前記デバイスの動作に必要な動作電力と前記デバイスの冷却に必要な冷却電力の組み合わせに該当するシステム電力を向上させるターゲット温度を決定する電力管理装置と、
    前記ターゲット温度に適するように前記デバイスの動作温度を調整する冷却器と、
    を含むサーバ。
13. 前記電力管理装置は、複数の動作周波数区間にマッチングされた複数の候補ターゲット温度のうち、前記動作周波数が属する動作周波数区間の候補ターゲット温度を前記ターゲット温度として決定する、請求項１２に記載のサーバ。
14. 前記電力管理装置は、前記デバイスの実際の動作過程で累積された動作データでトレーニングされたマシーンラーニングモデルを用いて前記ターゲット温度を決定する、請求項１２に記載のサーバ。
15. 前記電力管理装置は、前記動作周波数に対応する前記デバイスの動作モードにマッチングされた最適化データセットを取得し、前記最適化データセットから前記動作温度及びターゲット電圧を確認する、請求項１２に記載のサーバ。
16. 前記ターゲット温度の範囲は１５０Ｋ以下の低温区間を含む、請求項１２乃至１５のいずれか１項に記載のサーバ。
17. デバイスの動作周波数に基づいて、前記デバイスの冷却電力及び動作電力に基づいて決定されたシステム電力を最適化するように決定された前記デバイスのターゲット温度を決定するステップと、
    前記ターゲット温度に基づいて前記デバイスの動作温度を調整するステップと、
    を含む電力管理方法。
18. 前記ターゲット温度を決定するステップは、前記動作周波数が第１周波数であることよりも、前記動作周波数が第２周波数であることに応答して前記ターゲット温度をさらに大きく決定するステップを含み、
    前記第１周波数は前記第２周波数よりも大きい、請求項１７に記載の電力管理方法。
19. 前記ターゲット温度は、前記デバイスの前記動作周波数を含む動作周波数の範囲に関して決定されたターゲット温度範囲に基づいて決定される、請求項１７に記載の電力管理方法。
20. 前記ターゲット温度範囲内の各温度は、前記動作周波数の範囲内の対応動作周波数及び対応ターゲットシステム電力に基づいて決定される、請求項１９に記載の電力管理方法。
21. 前記ターゲット温度範囲内の各温度は、他のシステム電力及び同じ動作周波数に対応する複数の温度のうち、最低システム電力に対応する温度に決定される、請求項１９に記載の電力管理方法。
22. 前記ターゲット温度は、前記ターゲット温度範囲内の温度の平均値、最大値、最小値、及び中間値のいずれか１つに基づいて決定される、請求項１９に記載の電力管理方法。
23. デバイスの動作周波数に基づいて前記デバイスのターゲット温度を決定するステップと、
    前記ターゲット温度に基づいて前記デバイスの動作温度を調整してシステム電力消費を低減するステップと、
    を含み、
    前記システム電力消費は、前記デバイスの電力消費及び前記デバイスの冷却器の電力消費を含む、電力管理方法。
24. 前記ターゲット温度を決定するステップは、前記動作周波数の増加に対応して前記決定されたターゲット温度を上昇させるステップを含む、請求項２３に記載の電力管理方法。

Images