[Paper] Phythesis：Physics-Guided Evolutionary Scene Synthesis 用于通过 LLMs 的节能数据中心设计

Source: arXiv - 2512.10611v1

概览

本文提出 Phythesis 框架，将大语言模型（LLM）与物理引导的进化优化相结合，能够自动生成用于数据中心（DC）设计的三维、可直接仿真的布局（SimReady）。通过在生成循环中直接嵌入物理约束，Phythesis 产出能效更高的配置，显著优于纯 LLM 方法，解决了现代数据中心基础设施规模化的关键瓶颈。

主要贡献

• 双层优化架构：在 LLM 驱动的布局生成与物理信息参数调优之间交替进行。
• 自我批评的 LLM 循环：语言模型对自己的方案进行评估，迭代细化拓扑以满足空间和运行约束。
• 物理引导的进化搜索：用于资产选择（如机架、冷却单元）和参数优化（如气流速率、配电）。
• 量化收益：成功生成率提升 57.3%，Power Usage Effectiveness（PUE）提升 11.5%，相较于仅使用 LLM 的基线生成器。
• 可扩展流水线：在小型、中型、大型三种生成规模上进行验证，展示了对不同规模数据中心的鲁棒性。

方法论

1. LLM 驱动的布局生成

   • LLM 接收高层规格（例如总楼面面积、冷却预算、机架密度）。
   • 它输出 3‑D 场景的文本描述，随后被解析为几何表示（机架、通道、CRAC 单元等的位置、方向）。
   • 自我批评 步骤让 LLM 根据物理规则清单（间隙、重量限制、气流路径）评估草案并提出修正建议。

2. 物理引导的进化优化

   • 解析得到的布局作为进化算法（EA）的种子。
   • EA 对资产参数（如风扇转速、配电设置）进行变异，并在快速物理仿真器中评估每个候选方案的热分布、气流和功耗。
   • 适应度综合 PUE、约束满足度以及与 LLM 原始意图的相似度，引导 EA 朝着物理可行、能效高的解收敛。

3. 迭代双层循环

   • EA 收敛后，将优化后的布局反馈给 LLM，LLM 可根据 EA 的反馈调整高层拓扑（如重新排列通道）。
   • 循环重复直至满足收敛条件（PUE 稳定、无约束违规），最终得到可直接用于详细 CFD 或热仿真的 SimReady 模型。

结果与发现

*成功 = 布局通过所有硬性物理约束并可导出至行业标准仿真器。

在三种规模（≈ 1 kW、10 kW、100 kW 机架部署）的实验表明，Phythesis 能持续降低冷却开销，同时保持所需的计算密度。运行时间的适度增加被手动重新设计周期的消除所抵消。

实际意义

• 加速数据中心规划：架构师只需输入高层需求，即可在数分钟内获得经验证的、可仿真的布局，传统设计周期可缩短数周。
• 能源成本节约：11.5 % 的 PUE 改进直接转化为更低的电费和碳排放，对遵循可持续发展要求的超大规模运营商尤为关键。
• 即插即用集成：输出兼容现有 CFD、BIM 与 DCIM 工具，便于无缝交付给详细工程团队。
• 快速“假设-若干”探索：开发者可在不同冷却技术（液冷 vs. 风冷）、机架密度或平面约束下迭代，而无需手工构建每个场景。
• 可扩展至其他设施：双层方法同样适用于仓库、实验室或边缘计算舱等对物理驱动布局有需求的场景。

局限性与未来工作

• 仿真精度与速度的权衡：EA 中使用的物理引擎是简化的热模型；采用更高保真度的 CFD 将增加运行时间，并可能暴露新的约束违规。
• LLM 幻觉：尽管自我批评降低了胡言乱语的概率，LLM 仍可能提出不可行的组件类型或尺寸，需要人工审查。
• 对超大规模数据中心的可扩展性：实验上限约为 100 kW 机架集群；若要扩展到多兆瓦级别的园区，可能需要层次化分解。
• 未来方向：用强化学习取代 EA、引入真实传感器数据实现闭环优化、以及将电气与机械基础设施联合优化等。

作者

• Minghao LI
• Ruihang Wang
• Rui Tan
• Yonggang Wen

论文信息

• arXiv ID: 2512.10611v1
• 分类: cs.AI, cs.NE
• 发布日期: 2025 年 12 月 11 日
• PDF: Download PDF