最近，兩位計算機科學家有了一個想法：如果計算機使用能量來進行計算，那麼存儲的數據是否可以成為一種存儲的能量？為什麼不把計算作為一種儲存能量的方式呢？事實證明，這個想法並不像它聽起來那樣牽強。在最近的一篇論文中闡述的”信息電池”概念，將在電力便宜的時候提前進行某些計算，比如在陽光明媚或風和日麗的時候，並將結果緩存起來備用。
這個過程可以幫助數據中心用剩餘的可再生能源取代其30%的能源使用。該系統的優點是它不需要專門的硬件，而且開銷很小。
“信息電池旨在與現有的數據中心一起工作，”作者Jennifer Switzer（加州大學聖地亞哥分校的一名博士生）和Barath Raghavan（南加州大學的一名助理教授）寫道。”一些非常有限的處理能力被保留給IB[信息電池]管理器，它管理着實時計算任務和預計算的調度。一組機器或虛擬機被指定用於預計算。存儲這些預計算結果的IB緩存被保存在本地，以便快速檢索，這些過程不需要額外的基礎設施”。
並非每項計算任務都適合採用信息電池的方法，但對於許多數據中心來說，某些負載可以被合理準確地預測，並緩存起來供以後檢索。例如，像Netflix這樣的公司，可能會以一種格式攝取視頻，然後對其進行轉碼，為各種設備進行優化，這一過程並不總是時間敏感的。訓練機器學習算法時也是如此–計算機科學家可以排隊訓練數據，讓信息電池管理員決定何時進行訓練。幾年來，Google一直在使用這樣的系統，以尋求減少其碳排放。
圖為Google的環保數據中心
信息電池管理器在某些方面模仿了PC或智能手機操作系統中的調度器。在那裡，調度器優化通過CPU和其他芯片的數據流，以保持計算過程順利進行。根據任務和對系統的要求，調度器可能會保持界面對用戶輸入的響應，或者它可能會優先考慮計算密集型的工作，使其更快完成。
在信息電池的工作形態下，管理者根據電價和可以提前執行的任務的可用性來優化工作負荷。管理器有三個主要部分–價格預測引擎、預計算引擎和調度器。為了決定運行哪些任務，調度器權衡了來自價格預測和預計算引擎的信息。價格預測引擎使用一個神經網絡來預測未來的電價，而預計算引擎使用一個不同的神經網絡來預測未來的計算需求。
在Switzer和Raghavan為測試這一概念而創建的模型中，IB經理每隔五分鐘，也就是運營商提供的最小時間間隔就向電網運營商查詢一次電價，為其預測提供信息。當價格低於設定的閾值時，管理員就會啟動一批運算過程，並將其緩存起來備用。
該系統在減少對昂貴的”電網電力”的需求方面相當有效，正如作者所稱，即使預計算引擎在預測哪些任務在不久的將來會被需要方面做得比較差。只要有30%的準確率，管理者就可以開始充分利用所謂的”機會電力”，當有多餘的風能或太陽能時就會產生。
作者寫道，在一個典型的大型數據中心，可以提前90分鐘左右預測工作負載，準確率約為90%。他們說：”用一個更保守的60分鐘的預測窗口，”這樣一個數據中心可以儲存150兆瓦時，大大超過大多數電網規模的電池存儲項目。他們指出，一個同等規模的電網電池將花費大約5000萬美元。
雖然作者沒有提供一個信息電池運行成本的估計，但它可能會大大便宜，因為它依賴於現有的基礎設施，並通過軟件實現，可以根據電力價格和數據中心的計算需求進行優化。
今天，風力或太陽能過剩的時候並不多，例如加州夏天陽光特別充足的時候，以及德克薩斯州風特別大的時候。但在不久的將來，當電網上有更多的風能和太陽能時，負電價可能會變得更加普遍，信息電池可能變得既可行又普遍。
“IB方法的關鍵是，它不是一個通用的解決方案，但可能對許多常見的工作負載有效，”作者寫道。鑒於數據中心消耗了美國所有用電的2%左右–這個數字幾乎肯定會增長–信息電池可能成為大規模和昂貴的電池的一個具有成本效益的替代品。
了解更多:
https://raghavan.usc.edu/papers/infobatteries-eir21.pdf