Đào tạo AI là đồng bộ, vì vậy hàng ngàn GPU tăng đột biến trong quá trình tính toán và giảm trong quá trình giao tiếp. Tích lũy lại, điều đó tạo ra những biến động năng lượng lớn, nhịp nhàng có thể kích thích các 'tần số xấu' của lưới điện. Các công ty tiện ích đang bắt đầu giới hạn cả hai: (1) tốc độ/độ xa mà năng lượng di chuyển (miền thời gian), và (2) lượng nhịp nằm trong một băng tần nhạy cảm (miền tần số). Các sự kiện trong quá khứ cho thấy các dao động tần số thấp có thể lan truyền và gây căng thẳng cho các nhà máy/lưới điện; với tải trọng đào tạo AI, chức năng cưỡng bức lớn hơn. Do đó, các công ty tiện ích thiết lập các tần số và giới hạn độ lớn quan trọng (ví dụ: một băng bảo vệ rộng 0.1–20 Hz so với 0.2-3 Hz FFT tải trọng AI) để nhịp hẹp của một địa điểm không thể chiếm ưu thế trên lưới điện. Các giải pháp tiềm năng cho việc tuân thủ: Mong đợi các sự đánh đổi: tiêu thụ năng lượng (hai cái đầu tiên) so với chi phí vốn/không gian (cái sau). - Làm mịn phần mềm (thêm công việc "lấp đầy" có kiểm soát khi năng lượng sẽ giảm), - Hình dạng firmware GPU (giới hạn tăng, giữ một mức năng lượng tối thiểu) - Lưu trữ cấp rack để hấp thụ/cung cấp sự dao động. Giám sát FFT thời gian thực hoạt động như một biện pháp hỗ trợ. Tại sao firmware một mình thường không đủ? Trên các GPU hiện tại, MPF đạt tối đa ~90% TDP (công suất tối đa) và cài đặt ngắn hạn tối thiểu (EDP) vẫn là ~1.1× TDP = ít nhất ~20% dao động vẫn còn. Các giới hạn tiện ích chặt chẽ (ví dụ: ~10%) thường cần lưu trữ cấp rack ngoài các giải pháp firmware và phần mềm (ví dụ: mong đợi các giải pháp lai).