Halley: Controle Preditivo para Redes de Datacenter Ópticas

O problema

Modelos avançados de inteligência artificial são treinados em datacenters gigantescos que usam redes ópticas para conectar milhares de aceleradores de hardware. Entre os racks de computadores, essas conexões usam luz e contam com quatro camadas tecnológicas que funcionam com políticas reativas ou estáticas. Como os componentes dividem o mesmo espaço físico, ventilação e energia, falhas podem ocorrer em conjunto e esgotar as peças reservas de segurança. Isso paralisa o sistema e deixa os computadores ociosos enquanto aguardam a troca de dados.

O que os pesquisadores fizeram

Os autores desenvolveram o Halley, um framework de plano de controle preditivo que lê o próximo estado de cada recurso e age antes que a falha aconteça. O sistema possui quatro componentes principais, cada um com garantias formais de funcionamento. O LightReserve dimensiona o grupo de lasers reservas, o FoldFit agenda as conexões do comutador óptico (optical circuit switch), o ThermaLead controla preventivamente o aquecimento dos moduladores em anel microrressoadores, e o TriageGuard protege primeiro os módulos de maior risco. Quando o sistema preditivo tem dúvidas, ele recua automaticamente para a política padrão de segurança.

O que descobriram

As simulações mostraram que a proporção de rendimento ideal mantida pelo sistema sobe de 65,2% para até 76,5% quando há esgotamento das reservas sob certas condições de teste. Boa parte desse ganho vem da decisão de dimensionar o grupo de lasers considerando a correlação de falhas, algo que sistemas estáticos ignoram. Além disso, separar a regulação térmica dos componentes reduz drasticamente a taxa de falhas em comparação ao simples aumento de peças reservas. O sistema também teve circuitos de reserva verificados e testados em hardware comercial.

Por que isso importa

A energia elétrica e a aprovação local limitam a velocidade com que novos datacenters de inteligência artificial são construídos atualmente. Cada ponto de capacidade que a rede perde significa infraestrutura ligada que não produz trabalho útil. O ganho de desempenho obtido pelo Halley recupera capacidade sem exigir a construção imediata de novas subestações de energia ou novas conexões à rede elétrica. Isso permite extrair mais desempenho do hardware que já está instalado e funcionando.

Limites e o que falta

O estudo baseia-se em simulações, modelos matemáticos e testes de circuitos específicos para avaliar o comportamento do sistema. O artigo aponta que previsões confiáveis mas incorretas ainda não possuem uma garantia mínima de segurança contra falhas operacionais. A eficácia do sistema depende de suposições sobre taxas de falha e correlações térmicas que podem variar conforme o projeto físico do fabricante. Pesquisas futuras precisarão validar o desempenho em larga escala com tráfego real de produção.

Na prática

No futuro, tecnologias como o Halley poderão ser integradas por fabricantes de equipamentos de rede e operadoras de grandes datacenters para gerenciar automaticamente o tráfego óptico e evitar gargalos de hardware. Para donos de pequenos negócios, isso significa datacenters mais eficientes e serviços de inteligência artificial mais estáveis, sem que precisem alterar seus sistemas locais.