Phythesis: Physikbasierte Raumgestaltung für energieeffiziente Rechenzentren

Rechenzentren bilden das Rückgrat der modernen digitalen Infrastruktur und müssen ständig an steigende Rechenanforderungen angepasst werden. Traditionelle Designansätze, die menschliche Expertise mit spezialisierten Simulationswerkzeugen kombinieren, stoßen bei wachsender Systemkomplexität an ihre Grenzen.

Während generative KI-Modelle inzwischen in der Lage sind, plausible Innenraumlayouts zu erzeugen, berücksichtigen sie bislang keine physikalischen Gesetze. Das macht sie für die Planung von Rechenzentren, die klare Leistungsziele und strenge physikalische Vorgaben erfüllen müssen, ungeeignet.

Phythesis löst dieses Problem, indem es große Sprachmodelle (LLMs) mit physikgeleiteter evolutionärer Optimierung verbindet. Das Ziel ist die automatisierte Erstellung von simulationsbereiten (SimReady) Szenen, die sowohl ästhetisch als auch energieeffizient sind.

Der Ansatz nutzt eine iterative, zweistufige Optimierungsarchitektur. Im ersten Schritt generiert das LLM physikalisch plausiblere 3‑D‑Layouts und kritisiert diese selbst, um die Topologie schrittweise zu verfeinern. Im zweiten Schritt optimiert ein physikbasierter Prozess die Parameter der einzelnen Assets und wählt die optimale Kombination aus.

Experimentelle Ergebnisse auf drei unterschiedlichen Skalierungsstufen zeigen, dass Phythesis die Erfolgsrate bei der Generierung um 57,3 % steigert und die Power‑Usage‑Effectiveness (PUE) um 11,5 % verbessert – deutlich besser als bei einer reinen LLM‑basierten Lösung.

Phythesis demonstriert damit einen vielversprechenden Weg, Rechenzentren effizienter zu gestalten, indem KI und physikalische Prinzipien nahtlos zusammenarbeiten.