Characterization of high-resolution AI data center training workloads on single and multiple GPU nodes
Notice bibliographique
Résumé
The rapid advancement of Artificial Intelligence (AI) is driving unprecedented computational demands, posing significant challenges to datacenter infrastructure and threatening the stability and resilience of modern power grids. This study presents an open-access dataset featuring a diverse set of AI training sessions recorded at sub-second resolution, designed to advance research on the energy consumption profiles of AI workloads and their interactions with power grid dynamics in datacenter environments. The dataset contains 32 training sessions on high-performance H100 and B200 8-GPU nodes and 40 sessions on consumer-grade NVIDIA GeForce RTX 3060 GPUs, encompassing over 1.8 million samples. Each session records power demand, CPU and GPU utilization, per-GPU power, memory usage, and temperature across diverse AI tasks (at the node scale, temperature refers to the GPUs temperature), including forecasting, classification, reinforcement learning, and text and image generation. Data quality was verified through detailed technical validation, including timing accuracy, hardware limit conformance, and cross-metric correlation analysis. Measurements remained within manufacturer-specified thermal and power envelopes, and observed correlations among power, utilization, temperature, and current were consistent with established processor and GPU behavior. The dataset provides a robust foundation for modeling AI datacenter energy behavior, system-level performance analysis, and power grid connection impact assessment studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».