CONSTRUIRE UNE METHODOLOGIE DE DECARBONATION DES EQUIPEMENTS ELECTRONIQUES PAR LA CONCEPTION (DESIGN-TO-GREEN)

BUILDING A DESIGN-TO-GREEN METHODOLOGY FOR DECARBONISING ELECTRONIC EQUIPMENT

• Auteur / Autrice : Alexandre Le barrois d'orgeval
• Direction : Edi Assoumou
• Type : Projet de thèse
• Discipline(s) : Contrôle, optimisation, prospective
• Date : Inscription en doctorat le 01/02/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CMA - Centre de Mathématiques Appliquées
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université de Recherche Paris Sciences et Lettres (2015-2019)

Mots clés

Mots clés libres

Ecoconception

Data Center

Décarbonation

Ecodesign

Data Center

Decarbonation

Résumé

Les data centers sont des infrastructures à forte intensité énergétique qui génèrent, gèrent et stockent les informations de notre société de plus en plus interconnectée. Les modèles basés sur l'Intelligence Artificielle (IA), tels que ChatGPT, sont de plus en plus accessibles, entraînant une consommation d'énergie importante et des impacts sur l'environnement. Évaluer cet impact est essentiel pour en comprendre l'empreinte et promouvoir un développement responsable de l'IA. Dans ce travail de thèse, nous réalisons une évaluation environnementale complète des systèmes GenAI – qui inclut à la fois les phases d'entraînement et d'inférence – en utilisant une approche d'analyse du cycle de vie. Contrairement aux recherches antérieures, qui se concentrent souvent sur l'analyse au niveau des serveurs et de la consommation d'énergie, notre approche englobe l'ensemble de l'architecture du centre de données, y compris les infrastructures de soutien telles que les systèmes de refroidissement et de distribution d'énergie, offrant ainsi une perspective plus globale des implications environnementales. Nous présentons deux cas d'usage fondés sur des simulations : Une simulation sur 20 ans comparant différentes architectures de centres de données à travers trois indicateurs – émissions totales, émissions annuelles et émissions par MW informatique installé. Pour un sous-ensemble d'architectures, nous incluons également les émissions par FLOPS (Floating-Point Operations Per Second) afin d'évaluer l'efficacité en termes de performance, tout en reconnaissant que les estimations basées sur les FLOPS s'appliquent principalement aux systèmes centrés sur les GPU. Une simulation ciblée comparant l'empreinte environnementale de trois grands modèles de langage – GPT-4o, LLaMA 3.1 405B et DeepSeek V3 – afin de quantifier les compromis entre performance de référence et impact environnemental.

Data centers are energy-intensive infrastructures that generate, manage, and store information for our interconnected society. Models based on Artificial Intelligence (AI), such as ChatGPT, are increasingly accessible, leading to significant energy consumption and associated carbon emissions. Assessing the environmental footprint of Generative AI (GenAI) is essential for evaluating its sustainability and promoting responsible AI development. In this work, we perform a comprehensive environmental assessment of GenAI systems – which includes both training and inference phases – using a life cycle assessment approach. Unlike prior research that often concentrates on server-level and energy consumption analysis, our approach encompasses the entire data center architecture, including supporting infrastructure such as cooling and energy distribution systems, offering a more comprehensive perspective on environmental implications. We present two simulation-based use cases: (1) A 20-year simulation comparing different data center architectures across three indicators – total emissions, emissions per year, and emissions per installed IT MW. For a subset of architectures, we also include emissions per FLOPS (Floating-Point Operations Per Second) to assess performance efficiency, acknowledging that FLOPS-based estimations are primarily applicable to GPU-centric systems; (2) A focused simulation comparing the environmental footprint of three large language models – GPT-4o, LLaMA 3.1 405B, and DeepSeek V3 – to quantify trade-offs between benchmark performance and environmental impact. By expanding the scope of assessment and incorporating varied use cases, this work aims to inform strategies for minimizing the environmental costs of GenAI while advancing sustainable AI development.