AI-träningen är synkron, så tusentals GPU:er ökar under beräkningen och sjunker under kommunikationen. Sammantaget skapar det stora, rytmiska kraftsvängningar som kan excitera "dåliga frekvenser" i nätet. Elbolagen börjar sätta ett tak för båda: (1) hur snabbt/hur långt strömmen rör sig (tidsdomän) och (2) hur mycket slag som sitter i ett känsligt frekvensband (frekvensdomän). Tidigare händelser visar att låg-Hz-svängningar kan föröka sig och stressa växter/galler; med AI-träningsbelastningar är forceringsfunktionen större. Elbolag ställer därför in kritiska frekvenser + storleksgränser (t.ex. ett brett skyddsband på 0,1–20 Hz jämfört med 0,2-3 Hz FFT för AI-arbetsbelastning) så att en webbplats smala takt inte kan dominera nätet. Potentiella korrigeringar för efterlevnad: Förvänta dig kompromisser: energiförbränning (de två första) jämfört med capex/utrymme (senare). -Programvaruutjämning (lägg till kontrollerat "fyllmedel" -arbete när strömmen skulle sjunka), -Utformning av GPU-firmware (rampgränser, håll ett minimalt strömgolv) -Förvaring på racknivå för att absorbera/försörja vickningen. FFT-övervakning i realtid fungerar som en backstop. Varför räcker det ofta inte med enbart firmware? På nuvarande GPU:er toppar MPF ut ~90 % av TDP (max ppwer) och den minsta inställningen för kort spik (EDP) är fortfarande ~1,1 × TDP = minst ~20 % swing kvar. Snäva verktygsgränser (t.ex. ~10 %) behöver vanligtvis lagring på racknivå utöver inbyggd programvara och programvarulösningar (t.ex. förvänta dig hybridkorrigeringar).