研究の概要
AIコンピューティングの急拡大に伴い、データセンターの電力需要はグリッドへの影響を無視できない規模になっている。しかしAIデータセンターの電力消費は、ジョブの到着・サイズ・実行時間が複雑に絡み合う「計算駆動型」であり、従来の負荷予測モデルが前提とする定常的なパターンとは根本的に異なる非定常・バースト的な特性を持つ。
本研究は、この課題に対してレジーム適応型加重アンサンブル学習アルゴリズムを提案した。2つの補完的な機械学習サブモデルを動的に重み付けするアーキテクチャにより、異なる動作レジームに横断的に適応する。非定常データストリームを扱うための新規特徴量エンジニアリングも実装し、MITスーパークラウドデータセットで検証を行った。
主な発見・成果
- 分単位予測誤差を業界初の1%以下に削減し、AIデータセンター負荷予測の新ベンチマークを確立
- 単一モデルでは困難なレジーム間の予測精度低下を、アンサンブル重み動的調整で克服
- 非定常なバースト的ワークロードに対して高い適応性を実証
- グリッド連携（デマンドレスポンス）への応用に必要なリアルタイム性能を確認
- MITスーパークラウドの実データで検証済みの実用的アプローチ
実務への応用
GX担当者の観点から、AIデータセンター運営企業にとって高精度な負荷予測は2つの重要な価値を持つ。第一に、電力系統との需要応答プログラムへの参加精度が向上することで、グリーン電力（再エネ余剰時間帯）の活用効率が高まりScope 2排出量削減に直結する。第二に、精度の高い需要予測は電力調達コストの最適化（スポット市場・時間帯別料金活用）に寄与する。ハイパースケールクラウド事業者・AI企業のエネルギー管理担当者は、既存のコンピューティング監視インフラ上にアンサンブル予測レイヤーを追加することで、グリッドとの協調制御システム構築への道が開ける。