El entrenamiento de IA es sincrónico, por lo que miles de GPUs aumentan su actividad durante el cálculo y disminuyen durante la comunicación. Agregado, eso crea grandes oscilaciones de potencia rítmicas que pueden excitar 'frecuencias malas' en la red. Las utilidades están comenzando a limitar ambos: (1) cuán rápido/cuán lejos se mueve la energía (dominio del tiempo), y (2) cuánta oscilación se encuentra en una banda de frecuencia sensible (dominio de la frecuencia). Eventos pasados muestran que las oscilaciones de baja frecuencia pueden propagarse y estresar plantas/redes; con las cargas de entrenamiento de IA, la función de forzado es mayor. Por lo tanto, las utilidades establecen límites críticos de frecuencia + magnitud (por ejemplo, una amplia banda de protección de 0.1–20 Hz frente a 0.2-3 Hz en la FFT de carga de trabajo de IA) para que el pulso estrecho de un sitio no pueda dominar la red. Posibles soluciones para el cumplimiento: Esperar compensaciones: consumo de energía (primeros dos) frente a capex/espacio (últimos). -Suavizado de software (agregar trabajo “relleno” controlado cuando la energía caiga), -Modelado de firmware de GPU (límites de rampa, mantener un piso de potencia mínimo) -Almacenamiento a nivel de rack para absorber/suministrar la oscilación. La monitorización FFT en tiempo real actúa como un respaldo. ¿Por qué el firmware solo a menudo no es suficiente? En las GPUs actuales, el MPF alcanza un máximo de ~90% del TDP (potencia máxima) y la configuración mínima de pico corto (EDP) sigue siendo ~1.1× TDP = al menos ~20% de oscilación permanece. Los límites estrictos de las utilidades (por ejemplo, ~10%) generalmente necesitan almacenamiento a nivel de rack además de soluciones de firmware y software (por ejemplo, esperar soluciones híbridas).