# 可程式化熱力學場 ## 從固定冷卻系統到可調度的時空溫度、熱流與熱耦合基礎設施 **English Title:** *Programmable Thermodynamic Fields: From Fixed Cooling Systems to Schedulable Spatiotemporal Temperature, Heat-Flow, and Thermal-Coupling Infrastructure* **Series:** ANCSI — AI-Native Computational and Scientific Infrastructure **Paper:** ANCSI-02 **Version:** v0.1 **Date:** 2026-09-23 **Type:** 公開命題／工程猜想論文（Public Proposition / Engineering Conjecture Paper） **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 --- ## 摘要 傳統計算設施與科研設施的熱管理通常以「維持設備溫度不超過安全上限」為核心。即使現代資料中心已採用液冷、熱感知排程、模型預測控制與多區域冷量分配，其基本工程語言仍多以冷卻系統、供回水溫度、冷板、冷卻塔或冷凍機等個別元件為主。本文提出更一般化的工程命題：對未來高密度計算、低溫計算、量子—傳統混合計算與 AI 原生科研設施而言，熱管理可被提升為一個可程式化的時空場控制問題。 本文將「可程式化熱力學場（Programmable Thermodynamic Field, PTF）」定義為：在受控物理域中，使溫度場、熱流場、熱容量分布、有效熱導拓樸、流體輸運狀態與冷／熱儲備能夠依計算與科研任務被動態配置、預測、切換與驗證的工程系統。其控制目標不再只是使所有節點趨向同一設定值，而是允許存在多個溫區、移動熱梯度、局部冷島、動態熱隔離、階段性冷卻以及任務驅動的溫度狀態轉換。 本文不假定任何新物理效應。其基礎完全來自已知熱力學、傳熱、流體、低溫工程、熱開關、熱儲存、模型預測控制與現代資料中心液冷技術。本文的研究重點因此不是「能否製冷」，而是：是否能將已知的熱力學元件組成一個足夠高自由度、可排程、可觀測且可安全自治的基礎設施，使溫度與熱耦合本身成為計算系統可使用的資源。 **關鍵詞：** programmable thermodynamic field、thermal control、cryogenic infrastructure、model predictive control、thermal storage、heat switch、liquid cooling、multi-zone thermal management、AI-native infrastructure --- # 1. 從「散熱」到「熱力學狀態編程」 計算機與科研設備所消耗的大部分電能最終都會轉化為熱。傳統熱管理因此可以簡化為： $$ P_{\mathrm{compute}} \rightarrow Q_{\mathrm{waste}} \rightarrow Q_{\mathrm{environment}}. $$ 系統的主要任務是盡可能有效地把熱帶走。 這個模型在一般伺服器、工作站與傳統資料中心中非常合理。然而，當系統同時具有以下條件時： - 高度非均勻且快速改變的計算負載； - 多種硬體對不同溫度有不同性能與可靠性曲線； - 液冷、浸沒冷卻與特殊冷媒管路； - 可切換的低溫計算節點； - 冷量儲存與熱能儲存； - 可預測的 workload； - AI 自主排程； - 高度自動化的物理實驗； 則「將熱排出去」不再是唯一的最佳化問題。 更一般的問題是： $$ \boxed{ \text{應在何時、何地、以何種熱耦合狀態，維持何種溫度？} } $$ 因此本文將目標由單一設定溫度： $$ T(t)\rightarrow T_{\mathrm{set}} $$ 擴展為： $$ T(\mathbf{x},t) \rightarrow T_{\mathrm{target}}(\mathbf{x},t), $$ 其中 $\mathbf{x}$ 表示設施中的空間位置。 但真正的可程式化並不只在溫度。 還必須控制： $$ \mathbf{q}(\mathbf{x},t), $$ 即熱流場，以及： $$ G_{ij}(t), $$ 即不同熱區之間的有效熱耦合。 因此更完整的熱力學控制狀態為： $$ \Theta(t) = \left[ T(\mathbf{x},t), \mathbf{q}(\mathbf{x},t), G(t), C(t), F(t), R_{\mathrm{th}}(t), S_{\mathrm{thermal}}(t) \right]. $$ 其中： $$ G(t) = \text{effective thermal conductance topology}, $$ $$ C(t) = \text{effective thermal capacitance distribution}, $$ $$ F(t) = \text{fluid transport state}, $$ $$ R_{\mathrm{th}}(t) = \text{thermal resistance state}, $$ $$ S_{\mathrm{thermal}}(t) = \text{stored thermal-energy / cold-energy state}. $$ 這就是本文所稱的「可程式化熱力學場」。 --- # 2. 定義：什麼才算可程式化熱力學場 一個普通恆溫箱並不是本文意義下的 PTF。 一個具有中央空調與大量溫度計的資料中心，也不必然是 PTF。 本文提出五個最低條件。 ## 2.1 空間可分區 物理域必須至少可表示為： $$ \Omega = \bigcup_{i=1}^{N}\Omega_i, $$ 其中每個 $\Omega_i$ 具有獨立或半獨立的熱狀態。 因此可以存在： $$ T_i(t)\neq T_j(t). $$ 甚至： $$ \frac{\partial T}{\partial x} \neq 0. $$ 系統不追求整個空間等溫，而允許有目的地保留溫度差。 --- ## 2.2 熱耦合可調 每個區域與冷源、熱源或其他區域的連接不應只是固定材料熱導，而應至少部分可控制： $$ G_{ij} = G_{ij}(u,t). $$ 控制量 $u$ 可以來自： - 閥門； - 流量； - 泵速； - 可變接觸壓力； - gas-gap heat switch； - mechanical heat switch； - superconducting heat switch； - 兩相流狀態； - 主動熱交換器； - 旁通管路。 低溫工程中的熱開關早已證明，熱傳導通路本身可以被切換。例如 NASA 曾設計與測試可在約 $0.2$ 到 $15\ \mathrm{K}$ 工作的 gas-gap heat switches，利用氣體吸附與脫附控制熱傳導，並具有無機械運動件與高 switching ratio 等特性 [1]。 因此，「改變熱連接拓樸」並非假設中的新物理能力。 --- ## 2.3 熱狀態可排程 PTF 不只是被動回應當前溫度，而可以根據未來任務： $$ \hat{W}(t+\Delta t) $$ 提前改變熱狀態。 因此： $$ \hat{W} \rightarrow \hat{Q} \rightarrow \Theta_{\mathrm{target}}. $$ 例如，在高功率計算任務開始前： - 提前降低部分冷板溫度； - 增加特定 loop 的流量； - 釋放 cold thermal storage； - 將某些區域與冷源熱耦合； - 將其他區域熱隔離； - 重新排定計算位置。 換言之，熱管理從： $$ \text{reaction} $$ 轉向： $$ \text{prediction + preparation}. $$ --- ## 2.4 熱狀態必須可觀測 若無法知道系統實際狀態，所謂可程式化只是一種開迴路命令。 因此需要建立： $$ \hat{\Theta}(t) = \mathcal{O} \left( Y(t), M(t) \right), $$ 其中： $$ Y(t) = \text{sensor observations}, $$ $$ M(t) = \text{physical / learned model}. $$ 觀測不只包括溫度，還包括： - 流量； - 壓力； - 相態； - valve state； - pump state； - thermal storage state of charge； - 壓降； - vibration； - coolant composition； - vacuum condition； - heat flux； - 計算功耗。 因此 PTF 同時是一個 state-estimation 問題。 --- ## 2.5 熱狀態必須可驗證 對 critical infrastructure 而言： $$ T_{\mathrm{commanded}} \neq T_{\mathrm{actual}} $$ 永遠是可能事件。 因此任何重要 thermal transition 都需要： $$ \text{command} \rightarrow \text{execution} \rightarrow \text{observation} \rightarrow \text{verification}. $$ 這將使 thermal control 成為 evidence-producing control system，而不是只產生 actuator commands。 --- # 3. 基本熱力學模型 對離散化後的第 $i$ 個熱區，可寫： $$ C_i(T_i)\frac{dT_i}{dt} = P_i + Q_{i,\mathrm{ext}} + \sum_j G_{ij}(u_{ij},T)(T_j-T_i) + \dot{m}_i \left( h_{\mathrm{in},i} - h_{\mathrm{out},i} \right). $$ 其中： $$ C_i(T_i) $$ 為溫度相關有效熱容量； $$ P_i $$ 為計算設備、加熱器或其他內部熱源； $$ Q_{i,\mathrm{ext}} $$ 為外界熱漏、輻射等熱負載； $$ G_{ij} $$ 為區域間有效熱導； $$ \dot{m}_i $$ 為冷媒質量流率； $$ h $$ 為流體比焓。 如果使用連續場描述，則可從能量守恆得到類似： $$ \rho c_p \frac{\partial T}{\partial t} + \rho c_p \mathbf{v}\cdot\nabla T = \nabla\cdot(k\nabla T) + q'''. $$ PTF 並沒有改變這些基本方程。 其改變的是： $$ k, \quad \mathbf{v}, \quad q''', \quad \dot{m}, \quad \text{boundary condition} $$ 不再被視為固定背景，而被視為部分可控制量。 所以： $$ \boxed{ \text{PTF = programmable boundary conditions + programmable transport + programmable topology.} } $$ --- # 4. 多溫區而不是單一低溫 ANCSI 所需的低溫場不應被理解為： $$ T(\mathbf{x},t)=T_0 $$ 且 $T_0$ 越低越好。 這往往是低效率設計。 較合理的架構是建立溫度階梯，例如： $$ \mathcal{T} = \{ 300, 250, 180, 80, 20, 4, 1, 0.1, 0.01 \} \ \mathrm{K}, $$ 但並非每個設施都需要全部溫級。 不同設備被映射到不同 thermal class： $$ \phi: D \rightarrow \mathcal{T}. $$ 例如： $$ D_{\mathrm{conventional}} \rightarrow 250\text{–}320\ \mathrm{K}, $$ $$ D_{\mathrm{cold}} \rightarrow 80\text{–}250\ \mathrm{K}, $$ $$ D_{\mathrm{cryo}} \rightarrow 1\text{–}80\ \mathrm{K}, $$ $$ D_{\mathrm{quantum}} \rightarrow 10^{-2}\text{–}1\ \mathrm{K}, $$ 視實際裝置而定。 大型低溫工程已經證明多溫級架構是成熟工程概念。CERN 的 LHC 冷卻系統不是一步降到 $1.9\ \mathrm{K}$，而是分階段由約 $80\ \mathrm{K}$ 、 $4.5\ \mathrm{K}$ 再進入 $1.9\ \mathrm{K}$ ；其系統冷卻約 $36{,}000$ 噸磁鐵冷質量，並以閉路氦在長距離系統中循環 [2]。早期 LHC cryogenic system 設計亦明確按照 $50$ – $75\ \mathrm{K}$ 、 $4.5$ – $20\ \mathrm{K}$ 、約 $4.7\ \mathrm{K}$ 與 $1.8\ \mathrm{K}$ 等不同熱負載級別配置冷凍能力 [3]。 因此未來計算設施真正值得借鑑的不是「把所有東西降到 $1.9\ \mathrm{K}$ 」，而是： $$ \boxed{ \text{thermal staging}. } $$ --- # 5. 為什麼極低溫只能局部化 冷卻成本隨冷端溫度下降快速增加。 理想 Carnot refrigerator 的性能係數為： $$ COP_{\mathrm{Carnot}} = \frac{T_c}{T_h-T_c}. $$ 若： $$ T_h=300\ \mathrm{K}, $$ 當： $$ T_c=250\ \mathrm{K}, $$ 則： $$ COP_{\mathrm{Carnot}}=5. $$ 但若： $$ T_c=4\ \mathrm{K}, $$ 則： $$ COP_{\mathrm{Carnot}} \approx0.0135. $$ 這還只是理想上限。 實際系統效率更低。 因此每一瓦出現在更低溫級，其消除成本都顯著提高。 由此可以得到 PTF 的第一條工程原則： $$ \boxed{ \text{Move heat interception upward whenever possible.} } $$ 也就是： > 能在 $80\ \mathrm{K}$ 截住的熱，不應讓它進入 $4\ \mathrm{K}$ ；能在常溫帶走的熱，不應讓它成為 cryogenic load。 這也是大型 cryostat 使用多層 radiation shield 與多溫級熱攔截的根本原因。 所以 ANCSI 的可程式化低溫場應是： $$ \boxed{ \text{large warm field} + \text{cold zones} + \text{localized cryogenic islands} } $$ 而不是： $$ \text{entire facility at millikelvin}. $$ --- # 6. 「低溫」應該是可配置資源，而不是永久環境 一個典型計算節點未必在 idle 狀態就需要極低溫。 因此可以定義 thermal operating state： $$ M_i \in \{ M_{\mathrm{warm}}, M_{\mathrm{normal}}, M_{\mathrm{boost}}, M_{\mathrm{cold}}, M_{\mathrm{cryo}} \}. $$ 例如： $$ M_{\mathrm{warm}} : T_i \approx T_{\mathrm{ambient}}, $$ $$ M_{\mathrm{boost}} : T_i < T_{\mathrm{normal}}, $$ $$ M_{\mathrm{cryo}} : T_i \ll T_{\mathrm{ambient}}. $$ 狀態切換成本並非零。 因此任務排程必須考慮： $$ E_{\mathrm{transition}}, $$ $$ \tau_{\mathrm{transition}}, $$ 以及： $$ N_{\mathrm{thermal-cycle}}, $$ 即材料與元件的熱循環壽命。 因此真正最佳化問題並不是： $$ \min T, $$ 而是： $$ \boxed{ \min J = E_{\mathrm{compute}} + E_{\mathrm{cool}} + E_{\mathrm{transition}} + C_{\mathrm{wear}} + C_{\mathrm{risk}} } $$ subject to： $$ P_{\mathrm{performance}} \ge P_{\mathrm{required}}, $$ $$ R_{\mathrm{reliability}} \ge R_{\min}. $$ --- # 7. 可變熱導：PTF 的核心致動器之一 如果每個區域都永久連在巨大冷源上，那麼局部升溫會必須持續與冷源對抗，造成無謂能耗。 因此重要能力不是只有「有冷源」，而是： $$ \boxed{ \text{control thermal coupling}. } $$ 假設一個 thermal node 與 $4\ \mathrm{K}$ cold bus 相連： $$ Q_c = G_c (T-T_c). $$ 若： $$ G_c=\mathrm{constant}, $$ 則冷源一直參與系統。 若： $$ G_c=G_c(u), $$ 則： ### 快速冷卻 $$ G_c\uparrow. $$ ### 保持狀態 $$ G_c \rightarrow G_{\mathrm{hold}}. $$ ### 升溫或隔離 $$ G_c\downarrow. $$ 必要時再加入： $$ P_{\mathrm{heater}}>0. $$ 因此局部溫度控制不必靠中央冷凍機一直改變輸出。 可以寫成： $$ \boxed{ \text{stable cold backbone} + \text{variable thermal coupling} + \text{local fine control}. } $$ 這種架構尤其適合中央大型低溫系統，因為大型冷凍設備具有明顯熱慣性與機械時間尺度，不應被當成高速 actuator。 --- # 8. 流體網路：把熱輸運變成可路由問題 對流與液體冷卻使 PTF 擁有另一種控制自由度： $$ Q_{\mathrm{fluid}} = \dot{m} \Delta h. $$ 在近似單相、定比熱條件下： $$ Q_{\mathrm{fluid}} \approx \dot{m}c_p\Delta T. $$ 因此可以透過： $$ \dot{m}, \quad T_{\mathrm{in}}, \quad P, \quad \text{valve state}, \quad \text{route} $$ 動態改變熱輸運。 設施可被抽象成圖： $$ \mathcal{G}_{\mathrm{th}} = (V,E), $$ 其中： - $V$ 是 thermal nodes； - $E$ 是熱傳、管道或熱交換連接。 每條 edge 具有： $$ e_{ij} = ( G_{ij}, \dot{m}_{ij}, P_{ij}, T_{ij}, s_{ij} ). $$ $s_{ij}$ 表示 valve / switch / availability state。 因此 PTF 的一個核心研究問題其實是： $$ \boxed{ \text{dynamic thermal graph routing}. } $$ 它和電網、資料網路不同，因為： - 熱不會任意反向； - 流體有壓降； - 系統具有慣性； - 相變可能發生； - 熱交換受到有限溫差約束； - 同一條管路的歷史狀態會影響當前狀態。 所以不能直接照搬 packet routing，但圖論與 network optimization 仍是適合的抽象。 --- # 9. 真空不是冷卻介質，而是熱耦合控制工具 對低溫系統而言，真空的主要作用不是形成對流，而是消除或降低氣體對流與氣體導熱。 因此： $$ Q_{\mathrm{gas}} \downarrow $$ 並配合 radiation shielding 降低： $$ Q_{\mathrm{rad}}. $$ 真正進行強制對流與熱量搬運的是被真空包覆的內部流體管路。 這使 vacuum-jacketed pipe 成為 PTF 很重要的基礎元件： $$ \boxed{ \text{vacuum outside} + \text{controlled fluid inside}. } $$ 它同時達成： - 管外低熱漏； - 管內高熱輸運能力； - 多溫區隔離； - 長距離冷媒傳輸。 後續 ANCSI-04 將把這個概念擴展成多介質管網場。 --- # 10. Cold Thermal Storage：讓冷量具有時間自由度 如果即時計算負載快速變化，而冷凍設備調節速度較慢，最直接的方法不是把所有冷凍機都設計成追逐瞬時負載，而是加入 thermal storage。 設： $$ S_c(t) $$ 為 cold-storage state of charge。 則： $$ \frac{dS_c}{dt} = P_{\mathrm{charge}} - P_{\mathrm{discharge}} - P_{\mathrm{loss}}. $$ 當： $$ P_{\mathrm{compute}}\uparrow $$ 時： $$ P_{\mathrm{discharge}}\uparrow. $$ 當計算負載下降： $$ P_{\mathrm{charge}}\uparrow. $$ 於是： $$ \boxed{ \text{refrigerator time scale} \neq \text{compute time scale}. } $$ 兩者由儲冷系統解耦。 現有 cold thermal energy storage 已廣泛研究水／冰、鹽水、phase-change materials 等方案。2025 年的綜述指出，PCM 可利用潛熱提供高密度熱儲存，而且其相變溫度可以跨相當大的溫度範圍設計 [4][5]。但材料熱導、封裝、循環劣化與長期可靠性仍是重要工程限制。 ANCSI 不要求所有低溫級都使用 PCM。 可能的 thermal storage portfolio 包含： $$ \{ \text{sensible storage}, \text{latent storage}, \text{cryogenic fluid inventory}, \text{thermal mass}, \text{phase-change storage} \}. $$ 不同溫區使用不同技術。 --- # 11. 熱慣性不是敵人，而是可管理狀態 熱系統通常被認為「反應慢」。 對高性能控制而言，這確實是限制。 但另一方面： $$ C\frac{dT}{dt} = Q $$ 意味著高熱容量也能提供時間緩衝。 因此 PTF 不應單純追求： $$ C\rightarrow0. $$ 而要根據區域用途配置： $$ C_i. $$ ### 高速計算區 需要： $$ C_i\downarrow $$ 以便快速 thermal transition。 ### 緩衝區 可能故意： $$ C_i\uparrow $$ 吸收瞬時 thermal spike。 ### 儲能區 則最大化可用： $$ \Delta H. $$ 所以： $$ \boxed{ \text{thermal inertia is a design resource}. } $$ --- # 12. 從 PID 到 Model Predictive Thermal Control PID 在單節點溫控中仍然非常有用： $$ u(t) = K_pe(t) + K_i\int e(t)dt + K_d\frac{de}{dt}. $$ 問題在於大型 PTF 是高度耦合系統： $$ T_i \leftrightarrow T_j, $$ 且 actuator 數量眾多。 因此控制問題更適合寫成： $$ x_{k+1} = f(x_k,u_k,w_k), $$ 其中： $$ x_k = \text{thermal state}, $$ $$ u_k = \text{control actions}, $$ $$ w_k = \text{predicted workload / disturbance}. $$ Model Predictive Control 可在預測視窗 $H$ 中求： $$ \min_{u_{k:k+H}} \sum_{\tau=k}^{k+H} \left[ \|T_\tau-T_\tau^\ast\|_Q^2 + \|u_\tau\|_R^2 + \lambda E_\tau \right] $$ subject to： $$ T_{\min}\le T_\tau\le T_{\max}, $$ $$ P_{\min}\le P_\tau\le P_{\max}, $$ $$ \dot{m}_{\min} \le \dot{m}_\tau \le \dot{m}_{\max}. $$ 這並非純理論推演。資料中心領域已存在 workload-aware cooling、economic MPC、multi-zone thermal coupling、dynamic hotspot tracking 等實際研究方向 [6][7][8]。2025 年一項考慮多區域熱耦合的資料中心 cooling-supply allocation MPC 研究報告，其模擬中總冷量需求降低約 $8.73\%$ [7]。2026 年另有多目標 MPC 研究同時考慮 cooling power 與 thermal reliability，報告在其研究條件下冷卻功率降低約 $6.43\%$ 至 $13.98\%$ [8]。 這些結果不能直接證明 ANCSI 尺度的 PTF 具有同等效益，但足以證明： $$ \boxed{ \text{multi-zone predictive thermal control is already an engineering direction}. } $$ --- # 13. AI 在 PTF 中真正應該做什麼 本文不主張讓大型語言模型直接輸出： > Valve 173 = 67.2%. AI 更合理的角色分成三類。 ## 13.1 預測 估計： $$ \hat{P}_{\mathrm{compute}}(t+\Delta t), $$ $$ \hat{T}(t+\Delta t), $$ $$ \hat{Q}(t+\Delta t). $$ --- ## 13.2 規劃 選擇： - workload migration； - thermal mode； - cold-storage discharge； - pre-cooling window； - heat-routing topology； - maintenance timing。 --- ## 13.3 模型修正 若真實 thermal plant 與模型出現偏差： $$ \epsilon = T_{\mathrm{actual}} - T_{\mathrm{predicted}}, $$ AI 可以協助更新： $$ \hat{M}_{\mathrm{thermal}}. $$ 2026 年已有研究專門處理 cooling equipment aging 對 MPC model accuracy 的影響，透過 adaptive MPC 將設備老化狀態納入時間變動約束與模型更新 [9]。 因此 PTF 的 AI 不是取代低階控制器，而是讓： $$ \boxed{ \text{model} + \text{prediction} + \text{scheduling} } $$ 持續適應真實設施。 --- # 14. Thermal Compiler：從任務描述編譯成物理狀態 如果 PTF 真正成熟，AI 或 scheduler 不應直接手動決定每顆泵與每個閥。 可以引入一個抽象層： $$ \text{Thermal Intent}. $$ 例如： ```text Cluster-C: target_mode: boost start: t + 180 s expected_load: 22 MW maximum_junction_temperature: 335 K thermal_reserve: >= 20% recovery_deadline: 900 s ``` 再由 thermal compiler 轉換為： $$ \begin{aligned} &\text{flow setpoints}\\ &\text{valve topology}\\ &\text{storage dispatch}\\ &\text{pump schedule}\\ &\text{cooling stage allocation}\\ &\text{local controller constraints}. \end{aligned} $$ 因此控制鏈變成： $$ \boxed{ \text{Intent} \rightarrow \text{Thermal Plan} \rightarrow \text{Validated Actuation} \rightarrow \text{Observed State}. } $$ 這種 architecture 比讓高階 AI 直接操作 actuator 更適合大型 critical infrastructure。 --- # 15. 空間上的「熱像素」 為了理解 PTF，可以將工作域離散成 thermal cells： $$ \Omega = \{\Omega_1,\Omega_2,\ldots,\Omega_N\}. $$ 每一格具有： $$ z_i = ( T_i, C_i, P_i, G_i, F_i, R_i ). $$ 這些 cell 並不需要非常小。 可能是一台： - server； - rack； - cryostat； - experiment chamber； - compute pod； - thermal plate； - coolant manifold。 如果系統可以對大量 cell 分別控制，它就近似形成： $$ \boxed{\text{thermal pixel array}.} $$ 但不同於顯示器像素： 1. thermal pixels 彼此耦合； 2. 熱具有慣性； 3. 流體有方向與壓降； 4. 邊界條件會改變； 5. 操作具有能耗； 6. 極端溫區具有不同物理限制。 所以「熱像素」只是控制抽象，而不是宣稱熱場可以像 RGB 顯示器一樣任意瞬間重畫。 --- # 16. 動態溫度梯度與移動熱區 PTF 的另一個可能能力是建立非均勻、隨時間移動的 thermal profile： $$ T(x,t) = T_0 + \Delta T f(x-vt). $$ 其應用可能包括： - 材料熱循環； - 漸進式冷卻； - moving compute activation； - 區域預冷； - thermal stress control； - 實驗性 phase transition 掃描。 若材料對： $$ \frac{dT}{dt} $$ 或： $$ \nabla T $$ 敏感，系統甚至需要把這些量納入 constraint： $$ \left| \frac{dT}{dt} \right| \le r_{\max}, $$ $$ |\nabla T| \le g_{\max}. $$ 這避免高性能冷卻造成熱衝擊或材料裂損。 --- # 17. PTF 不等於「整個空間有某個空氣溫度」 在常溫環境中，人們習慣用「房間溫度」描述熱狀態。 但在真空、低溫或高真空科研環境中，這個概念並不充分。 應區分： $$ T_{\mathrm{wall}}, $$ $$ T_{\mathrm{fluid}}, $$ $$ T_{\mathrm{radiation}}, $$ $$ T_{\mathrm{sample}}, $$ $$ T_{\mathrm{device}}. $$ 真空中沒有普通空氣對流，因此： $$ T_{\mathrm{space}} $$ 本身不是像普通房間一樣直接可用的單一工程量。 所以 PTF 真正控制的是： $$ \boxed{ \text{thermal boundary conditions and matter states}, } $$ 而不只是「空氣冷不冷」。 --- # 18. 不同溫度域需要不同物理介質 一個真正跨數百 Kelvin 到 millikelvin 的系統不可能只靠一種冷媒。 概念上可以分為： | 溫度域 | 可能的主要工程方式 | |---|---| | 約 $300$ 到 $250\ \mathrm{K}$ | 常規液冷、環境散熱、dry cooling | | 約 $250$ 到 $80\ \mathrm{K}$ | 特殊液體／氣體循環、階段式冷卻 | | 約 $80$ 到 $20\ \mathrm{K}$ | 氦循環、低溫熱交換 | | 約 $20$ 到 $4\ \mathrm{K}$ | helium refrigeration | | 約 $4$ 到 $1\ \mathrm{K}$ | pumped helium / specialized cryogenic stages | | 約 $1$ 到 $0.01\ \mathrm{K}$ | dilution refrigeration / specialized local stages | 這只是架構級分類，不是特定設計規格。 重要的是： $$ \boxed{ \text{PTF is heterogeneous by design}. } $$ --- # 19. 熱回收與冷量級聯 只要存在不同溫度層，就應避免讓高品質 thermal exergy 只使用一次。 例如冷媒由： $$ 80\ \mathrm{K} \rightarrow 120\ \mathrm{K} \rightarrow 180\ \mathrm{K} \rightarrow 250\ \mathrm{K} \rightarrow 300\ \mathrm{K} $$ 逐步升溫時，可以按級別吸收不同設備的熱。 同樣地，高溫回流可被導向： - 建築熱水； - 製程熱； - heat pump； - absorption process； - 在熱力學條件合理時進行 power recovery。 但必須強調： $$ \boxed{ \text{heat recovery} \neq \text{free energy}. } $$ 任何發電方案都受到溫差與第二定律限制。 PTF 的目的不是創造能源，而是降低： $$ \text{avoidable exergy destruction}. $$ --- # 20. 熱場與計算排程合併 在傳統 scheduler 中，工作可能依： $$ \{ \text{GPU availability}, \text{memory}, \text{network}, \text{priority} \} $$ 分配。 在 PTF 中，還需要加入： $$ \{ T_i, S_{c,i}, \tau_{\mathrm{transition},i}, E_{\mathrm{cool},i}, R_i \}. $$ 所以工作分配可以寫為： $$ i^\ast = \operatorname*{argmin}_i \left[ E_{\mathrm{compute},i} + E_{\mathrm{thermal},i} + E_{\mathrm{transition},i} + \lambda_1 t_i + \lambda_2 R_i \right]. $$ 這可能導致一些反直覺決策。 例如： > Cluster A 的 GPU 更快，但它目前是 warm state；Cluster B 已預冷，因此把任務送到 B 的總成本更低。 或者： > 任務延後 $30$ 秒，可以配合 cold-storage discharge window，使整體峰值電力需求下降。 所以： $$ \boxed{ \text{thermal state becomes part of compute scheduling state}. } $$ --- # 21. PTF 與現有資料中心液冷之連續性 PTF 並不是否定既有 data-center cooling。 相反，它是其自然外推。 ASHRAE 現有 liquid-cooling water classes 已以供液上限劃分 W17、W27、W32、W40、W45 與 W+；其中較高溫類別可降低或避免機械式 chiller 需求 [10][11]。 這說明現代資料中心本來就已經不是「越冷越好」。 合理策略是依： $$ \text{hardware capability} + \text{facility climate} + \text{cooling architecture} $$ 決定最佳供液溫度。 PTF 只是再向前一步： $$ \text{temperature class} \rightarrow \text{time-varying thermal state}. $$ --- # 22. 失效安全：PTF 最不能被忽略的部分 一個熱場越可編程，其 actuator 數量越多，失效組合也越多。 因此必須假設： $$ \exists \quad \text{sensor failure}, $$ $$ \exists \quad \text{valve failure}, $$ $$ \exists \quad \text{AI failure}, $$ $$ \exists \quad \text{network partition}. $$ PTF 不應依靠「AI 很聰明」作為安全保證。 需要至少三層。 ## 22.1 Hardware protection 例如： - pressure relief； - over-temperature shutdown； - low-flow interlock； - compressor protection； - oxygen-deficiency monitoring； - emergency isolation。 ## 22.2 Deterministic control envelope 定義： $$ x(t) \in \mathcal{X}_{\mathrm{safe}}. $$ AI 控制： $$ u_{\mathrm{AI}} $$ 只有在： $$ u_{\mathrm{AI}} \in \mathcal{U}_{\mathrm{safe}}(x) $$ 時才執行。 ## 22.3 AI supervisory optimization AI 可以在 safe envelope 中追求： $$ \min J. $$ 因此： $$ \boxed{ \text{safety constrains optimization}; \quad \text{optimization does not define safety}. } $$ --- # 23. PTF 的 Digital Twin 在建造大型實體系統之前，應先建立 dynamic thermal twin。 至少要包含： $$ \mathcal{M} = \{ \mathcal{M}_{\mathrm{thermal}}, \mathcal{M}_{\mathrm{fluid}}, \mathcal{M}_{\mathrm{compute}}, \mathcal{M}_{\mathrm{storage}}, \mathcal{M}_{\mathrm{control}} \}. $$ Digital twin 用於： 1. thermal workload replay； 2. fault injection； 3. control policy comparison； 4. transition planning； 5. cold-storage sizing； 6. valve / pipe network design； 7. thermal-cycling analysis； 8. energy / exergy accounting； 9. safety-envelope validation。 這一步尤其重要，因為大型低溫系統的 transient experiment 成本可能很高。 --- # 24. 第一代工程原型 本文建議第一代 PTF 不要直接進入極低溫。 可先建立： $$ 280\ \mathrm{K} \gtrsim T \gtrsim 250\ \mathrm{K} $$ 或更保守的高於凝露點工作區，並使用多區域液冷。 原型包括： - $4$ 到 $16$ 個 thermal cells； - 獨立 cold plate； - 多路 coolant manifold； - variable-speed pumps； - electronically controlled valves； - local heaters； - 多點溫度／壓力／流量 sensing； - thermal storage； - workload generator； - MPC controller； - deterministic safety controller。 先證明： $$ \boxed{ \text{thermal programmability has measurable benefit}. } $$ 再逐步加入： 1. 更低溫冷媒； 2. vacuum-jacketed transport； 3. cryogenic heat switch； 4. $80\ \mathrm{K}$ 級 cold zone； 5. 特殊 cryogenic compute node； 6. 更低溫局部 island。 這比直接建造完整 cryogenic computer habitat 更具有證據價值。 --- # 25. 評估指標 PTF 不能只用最低溫度評價。 至少需要以下指標。 ## 25.1 Thermal tracking error $$ E_T = \int \left| T-T^\ast \right|dt. $$ ## 25.2 Cooling energy $$ E_c = \int P_{\mathrm{cooling}}dt. $$ ## 25.3 Thermal transition cost $$ E_{\mathrm{tr}} = \int_{\mathrm{transition}} P_{\mathrm{facility}}dt. $$ ## 25.4 Peak thermal capacity $$ Q_{\max}. $$ ## 25.5 Cold-storage response time $$ \tau_{\mathrm{storage}}. $$ ## 25.6 Heat-reuse fraction $$ \eta_{\mathrm{reuse}} = \frac{Q_{\mathrm{reused}}} {Q_{\mathrm{recoverable}}}. $$ ## 25.7 Thermal reliability 例如： $$ P(T>T_{\mathrm{limit}}) $$ 與 thermal excursion 次數。 ## 25.8 Exergy efficiency 對跨大溫差系統，單純 energy efficiency 不足。 應加入： $$ \eta_{\mathrm{ex}} = \frac{\text{useful exergy output}} {\text{exergy input}}. $$ ## 25.9 Compute-per-thermal-cost 可建立： $$ \eta_{\mathrm{CT}} = \frac{\text{useful compute}} {\text{thermal-management cost}}. $$ 這可能比傳統 PUE 更適合評價某些特殊 PTF 系統。 --- # 26. 可證偽命題 ## H1 — Multi-zone Programmability Hypothesis 在具有時變且空間不均勻負載的計算設施中： $$ J_{\mathrm{programmable}} < J_{\mathrm{fixed}} $$ 可在相同 reliability constraint 下成立。 若長期測試顯示動態熱場的控制複雜度與能耗始終高於固定溫度策略，且無性能收益，則此命題被削弱。 --- ## H2 — Thermal-State Scheduling Hypothesis 將 thermal state 納入 compute scheduler，可以在部分 workload 分布下改善： $$ \{ \text{energy}, \text{peak power}, \text{performance}, \text{hardware lifetime} \} $$ 至少其中一項，而不顯著破壞其他指標。 --- ## H3 — Variable-Coupling Hypothesis 對多溫級系統： $$ G_{ij}(t) $$ 可控制的 architecture，相較固定熱耦合，在同等任務下可以減少無效 thermal exchange。 --- ## H4 — Cold-Storage Decoupling Hypothesis 加入 cold thermal storage 後，可降低： $$ \max_t P_{\mathrm{refrigeration}}(t) $$ 對： $$ \max_t P_{\mathrm{thermal-load}}(t) $$ 的同步需求。 --- ## H5 — Thermal Topology Hypothesis 對大型、多區域計算設施而言： $$ \mathcal{G}_{\mathrm{th}}(t) $$ 的動態重構具有可量化系統效益，而不只是控制複雜度增加。 --- ## H6 — Cryogenic Localization Hypothesis 對同一 cryogenic workload： $$ \text{localized cryogenic islands} $$ 在多數情境下具有比： $$ \text{uniform cryogenic environment} $$ 更高的 exergy efficiency 與更低的 infrastructure cost。 --- # 27. 反例與失敗條件 PTF 不是所有計算中心都值得做。 下列情況可能使其失去優勢。 ### 27.1 Workload 過於穩定 若： $$ P_{\mathrm{compute}}(t) \approx \mathrm{constant}, $$ 固定設計可能更便宜可靠。 ### 27.2 Thermal transition 太慢 若： $$ \tau_{\mathrm{thermal}} \gg \tau_{\mathrm{workload}}, $$ 動態溫度調度就無法跟上任務。 ### 27.3 Thermal cycling 損害硬體 若狀態切換造成： $$ C_{\mathrm{wear}} $$ 過高，性能收益可能不值得。 ### 27.4 控制成本超過節省 如果 actuator、sensor、維護與 software complexity 的生命周期成本高於節省： $$ \Delta C_{\mathrm{total}}\ge0, $$ 則不應採用高自由度 PTF。 ### 27.5 溫度對性能沒有足夠影響 若某類硬體在合理溫區內： $$ \frac{\partial P_{\mathrm{performance}}}{\partial T} \approx0, $$ 則沒有必要為它建立昂貴 thermal programmability。 --- # 28. 與 ANCSI 系列其他論文的關係 ANCSI-02 只回答： > 如何將「溫度與熱輸運」重新定義為可程式化基礎設施？ 下一篇 ANCSI-03 將回答： > 如果熱場已經可程式化，如何讓計算狀態本身驅動整個 thermal infrastructure？ 因此： $$ \boxed{ \text{ANCSI-02} : \text{Thermal Field} } $$ $$ \boxed{ \text{ANCSI-03} : \text{Compute} \rightarrow \text{Thermal Field}. } $$ ANCSI-04 則進一步把 vacuum jacket、多介質管路、對流與物流抽象成可重構的基礎設施網路。 --- # 29. 結論 本文提出「可程式化熱力學場」作為 AI 原生計算—科研基礎設施的第二個核心命題。 它不要求任何新物理。 其基本元件都已存在： - 多溫級 cryogenic refrigeration； - 液體冷卻； - 可控流體網路； - heat switches； - thermal storage； - heaters； - sensors； - MPC； - workload prediction； - digital twins。 真正尚未普遍完成的是把這些能力提升成同一個抽象： $$ \boxed{ \Theta(\mathbf{x},t) = \text{programmable infrastructure state}. } $$ 在這個觀點下，溫度不再只是設備必須忍受的環境參數，而可以成為一種受到物理限制、可以預測、排程與配置的系統資源。 熱管理的問題因而從： > 如何把這顆晶片冷下來？ 轉成： > 在未來的計算與科研任務序列中，哪一個區域應在什麼時間進入什麼熱狀態，並以什麼熱拓樸與其他區域交換能量？ 這個轉換是 ANCSI 後續架構成立的關鍵。 如果這個命題成立，未來的大型計算設施就可能不再擁有一個固定「機房溫度」。 它所擁有的是： $$ \boxed{ T(\mathbf{x},t) } $$ 以及控制這個場的能力。 --- # 參考文獻 [1] Bugby, D. C., et al. *Design and Test of Passively Operated Heat Switches for 0.2 to 15 K*. NASA Technical Reports Server. https://ntrs.nasa.gov/citations/20040015141 [2] CERN. *Cryogenics: Low temperatures, high performance*. https://home.cern/science/engineering/cryogenics-low-temperatures-high-performance/ [3] Lebrun, P. (2003). *Large Cryogenic Helium Refrigeration System for the LHC*. CERN LHC Project Report 629. https://cds.cern.ch/record/605468 [4] *Thermal energy storage performance, application and challenge of phase change materials: a review*. Energy Storage and Saving, 4(3), 2025, 300–322. https://doi.org/10.1016/j.enss.2025.03.001 [5] *Phase Change Materials for Cold Thermal Energy Storage applications: A critical review of conventional materials and the potential of bio-based alternatives*. Journal of Energy Storage, 110, 2025, 115339. https://doi.org/10.1016/j.est.2025.115339 [6] Fang, Q., Gong, Q., Wang, J., & Wang, Y. (2019). *Optimization based resource and cooling management for a high performance computing data center*. ISA Transactions, 90, 202–212. https://doi.org/10.1016/j.isatra.2018.12.038 [7] Zhao, J., Xu, D., Yuan, X., & Liu, D. (2025). *Cooling supply allocation model predictive control strategy of data center computer room air conditioning systems considering multi-zone thermal coupling effects*. Applied Thermal Engineering. https://doi.org/10.1016/j.applthermaleng.2025.127103 [8] *Towards energy efficiency and thermal reliability in hybrid-cooled data center operation through multi-objective model predictive control*. Energy Conversion and Management, 358, 2026, 121486. https://doi.org/10.1016/j.enconman.2026.121486 [9] Huang, J., Zou, S., Guo, Z., et al. (2026). *An adaptive model predictive control for data center cooling system under equipment aging*. Applied Thermal Engineering, 302(2), 131871. https://doi.org/10.1016/j.applthermaleng.2026.131871 [10] ASHRAE. *AI Data Center Energy Performance Framework — Introduction and Purpose*. https://www.ashrae.org/technical-resources/ai-data-center-framework/introduction-and-purpose [11] ASHRAE. *Chapter 20 — Data Centers and Telecommunication Facilities*. ASHRAE Handbook. https://handbook.ashrae.org/Handbooks/A23/SI/A23_Ch20/a23_ch20_si.aspx --- ## 文件狀態 本文為 ANCSI 系列第二篇公開命題稿 v0.1。 本文所有數學原始碼僅使用 ` $...$ ` 與 `$$...$$` 作為 canonical delimiter。本文不依賴 ANCSI 作者其他私人理論，也不主張已存在完整的設施級可程式化熱力學場；本文提出的是由既有熱力學、低溫工程、資料中心冷卻與控制技術向前推導之可檢驗工程命題。