通过基于知识的模型校准与降阶构建数据中心数字孪生

基于摘要分析。本文研究数据中心计算流体力学（CFD）模型精度不足、校准成本高及仿真速度慢的问题，提出用于模型校准的 Kalibre，以及用于校准后模型降阶的 Kalibreduce，目标是支持高保真、实时的数据中心数字孪生。 Kalibre 将校准组织为四步迭代：训练神经代理模型；通过代理模型再训练寻找最优参数；将所得参数回填至 CFD 模型；使用传感器实测数据验证 CFD 模型。其关键机制是把参数搜索转移到计算开销较低的神经代理，而不是在每个搜索步骤中反复求解昂贵的 CFD 模型。作者还将先验知识用于训练数据初始化与代理架构设计，以加快收敛；摘要未披露具体知识编码、网络结构、损失函数或参数优化细节。 作者报告，在两个容纳数千台服务器的实际生产数据机房中，使用 64 核处理器计算约十小时后，Kalibre 对两处 CFD 模型的校准分别达到 0.57°C 和 0.88°C 的平均绝对误差（MAE）。这些数值属于所述机房校准场景，不能直接外推至其他设施或任务。 Kalibreduce 进一步依据能量平衡原则对已校准的 CFD 模型降阶。作者报告，评估中模型降阶引入 0.1°C 至 0.27°C 的额外误差，同时使 CFD 仿真加速约千倍；具体误差定义、运行配置、计时口径及对照设置尚未验证。 本文主要研究对象是数据中心热流体仿真，而非神经信号建模。现有材料不足以建立其与 EEG/BCI 瓶颈的具体对应关系，因此不提出迁移效果或复现实验假设。实验协议、数据划分、消融及统计信息尚未验证，代码与复现条件亦未由所给材料确认。