Phythesis: Physics-Guided Evolutionary Scene Synthesis for Energy-Efficient Data Center Design via LLMs

📄 arXiv: 2512.10611v2 📥 PDF

作者: Minghao LI, Ruihang Wang, Rui Tan, Yonggang Wen

分类: cs.AI, cs.NE

发布日期: 2025-12-11 (更新: 2025-12-15)

💡 一句话要点

Phythesis：利用LLM和物理引导进化算法实现节能数据中心场景合成

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 数据中心设计 大型语言模型 物理引导优化 进化算法 能源效率 场景合成

📋 核心要点

  1. 传统数据中心设计方法难以应对日益增长的复杂性，且忽略了物理约束，导致能效低下。
  2. Phythesis框架结合LLM和物理引导的进化优化，自动生成满足物理约束且节能的数据中心布局。
  3. 实验结果表明，Phythesis在生成成功率和电源使用效率方面均优于传统的基于LLM的方法。

📝 摘要（中文）

数据中心基础设施是支持不断增长的计算能力需求的关键。传统的设计方法依赖于人类专业知识和专用仿真工具，但随着系统复杂性的增加，其扩展性不足。最近的研究采用生成式人工智能来设计看似合理的以人为中心的室内布局，但它们没有考虑底层的物理原理，因此不适用于设定可量化运营目标和严格物理约束的数据中心设计。为了弥合这一差距，我们提出了Phythesis，这是一个新颖的框架，它协同利用大型语言模型（LLM）和物理引导的进化优化，以自动进行仿真就绪（SimReady）的场景合成，从而实现节能的数据中心设计。Phythesis采用迭代的双层优化架构，其中（i）LLM驱动的优化层生成物理上合理的三维布局并进行自我批判以改进场景拓扑，以及（ii）物理信息驱动的优化层识别最佳资产参数并选择最佳资产组合。在三个生成规模上的实验表明，与基于vanilla LLM的解决方案相比，Phythesis的生成成功率提高了57.3％，电源使用效率（PUE）提高了11.5％。

🔬 方法详解

问题定义：论文旨在解决数据中心设计中，传统方法难以兼顾复杂性和物理约束，导致能效低下的问题。现有方法依赖人工经验和专业仿真工具，扩展性差，且忽略了数据中心运行的物理特性，无法实现节能优化。

核心思路：论文的核心思路是将大型语言模型（LLM）的生成能力与物理引导的进化优化相结合。LLM负责生成初始的、物理上合理的场景布局，而物理引导的优化则负责调整场景中的资产参数，以满足特定的能效目标。这种双层优化策略能够有效地搜索设计空间，找到满足物理约束且节能的数据中心布局。

技术框架：Phythesis框架采用迭代的双层优化架构。第一层是LLM驱动的场景生成和自我批判，LLM根据提示生成三维布局，并根据预定义的规则进行自我评估和改进。第二层是物理信息驱动的优化，利用仿真工具评估布局的能效，并使用进化算法优化资产参数。这两个层次迭代进行，直到找到满足要求的布局。

关键创新：最重要的技术创新点在于将LLM的生成能力与物理仿真相结合，实现数据中心设计的自动化和优化。与现有方法相比，Phythesis能够生成满足物理约束的布局，并利用物理仿真指导设计过程，从而实现更高的能效。

关键设计：LLM使用预训练的模型，并针对数据中心设计进行了微调。物理仿真使用计算流体动力学（CFD）软件来模拟数据中心的空气流动和温度分布。进化算法使用遗传算法来优化资产参数，例如服务器的位置和冷却系统的设置。目标函数是最小化数据中心的电源使用效率（PUE）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Phythesis在三个生成规模上均优于基于vanilla LLM的解决方案。具体而言，Phythesis的生成成功率提高了57.3%，电源使用效率（PUE）提高了11.5%。这些结果表明，Phythesis能够有效地生成满足物理约束且节能的数据中心布局。

🎯 应用场景

Phythesis可应用于数据中心设计、暖通空调系统优化、建筑节能等领域。通过自动化场景生成和物理引导的优化，可以显著降低设计成本，提高能源利用效率，并为未来的可持续基础设施建设提供有力支持。该方法还可以扩展到其他需要考虑物理约束的复杂系统设计中。

📄 摘要（原文）

Data center (DC) infrastructure serves as the backbone to support the escalating demand for computing capacity. Traditional design methodologies that blend human expertise with specialized simulation tools scale poorly with the increasing system complexity. Recent studies adopt generative artificial intelligence to design plausible human-centric indoor layouts. However, they do not consider the underlying physics, making them unsuitable for the DC design that sets quantifiable operational objectives and strict physical constraints. To bridge the gap, we propose Phythesis, a novel framework that synergizes large language models (LLMs) and physics-guided evolutionary optimization to automate simulation-ready (SimReady) scene synthesis for energy-efficient DC design. Phythesis employs an iterative bi-level optimization architecture, where (i) the LLM-driven optimization level generates physically plausible three-dimensional layouts and self-criticizes them to refine the scene topology, and (ii) the physics-informed optimization level identifies the optimal asset parameters and selects the best asset combination. Experiments on three generation scales show that Phythesis achieves 57.3% generation success rate increase and 11.5% power usage effectiveness (PUE) improvement, compared with the vanilla LLM-based solution.