# 熱階梯、冷量儲存與能量回收

## 從一次性散熱走向以能量品質、時間與溫級為核心的熱力學資源路由

**English Title:** *Thermal Cascades, Cold Storage, and Energy Recovery: From One-Pass Heat Rejection to Exergy-Aware Thermodynamic Resource Routing*

**Series:** ANCSI — AI-Native Computational and Scientific Infrastructure  
**Paper:** ANCSI-05  
**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

大型計算中心與科學設施通常將電力視為主要能源資源，而將冷卻視為必要成本：電能進入計算設備，幾乎全部最終轉化為熱，再由冷卻設備排放至環境。這種一次性「電力 $\rightarrow$ 計算 $\rightarrow$ 廢熱 $\rightarrow$ 環境」模式在傳統資料中心中長期合理，但當未來設施同時具有高密度液冷、多溫區、低溫計算、冷量儲存、熱回收、可重構管網與 AI 排程時，單純以能量守恆描述系統已不再充分。

本文提出 ANCSI 的第五個核心命題：未來 AI 原生計算—科研基礎設施可將不同溫級的熱與冷視為具有不同「能量品質」與時間價值的可調度資源，並透過熱階梯（thermal cascade）、冷量儲存（cold thermal energy storage）、熱儲存、熱泵、直接熱利用與在條件合理時的功回收，建立一個以 exergy 為核心的多溫級能量路由網路。

本文特別區分 energy 與 exergy。 $1\ \mathrm{J}$ 的熱量不因溫度不同而改變其能量單位，但其轉化為有用功或替代其他能源的能力高度依賴溫度、環境基準與用途。對極低溫系統而言，低溫冷量尤其昂貴，因此應盡可能在較高溫級截斷熱負載；對資料中心廢熱而言，較高的回水溫度則可提高直接利用或熱泵升溫的價值。CERN 大型低溫系統對熱負載採多級溫度攔截，現代 Open Compute Project（OCP）則已建立 data-center heat reuse 專案與 reference designs；NREL / DOE 亦正研究以 Cold Underground Thermal Energy Storage（Cold UTES）降低資料中心峰值冷卻需求。

本文提出 Thermal Cascade Graph、Cold-State-of-Charge、Thermal Exergy Ledger、Heat-Reuse Readiness、Bidirectional Thermal Storage、Thermal Arbitrage 與 Exergy-Aware Scheduler 等初步架構，並給出可證偽命題與分階段原型路線。本文不主張任何免費能源或第二類永動機；相反，其核心正是以第二定律為約束，減少不必要的高品質能量耗散。

**關鍵詞：** thermal cascade、exergy、cold thermal energy storage、heat reuse、thermal storage、data center heat recovery、cryogenic refrigeration、heat pump、AI scheduling、energy quality

---

# 1. 問題：今天的計算設施大多仍是「一次性熱流」

對多數資料中心而言，能量流程可簡化為：

$$
E_{\mathrm{grid}}
\rightarrow
E_{\mathrm{IT}}
\rightarrow
Q_{\mathrm{heat}}
\rightarrow
Q_{\mathrm{ambient}}.
$$

Open Compute Project 的 Heat Reuse Subproject 指出，處理器所使用的能量幾乎全部最終轉化為熱；該專案的目的即是研究如何把資料中心的 excess heat 從負擔轉化為可利用資源 [1][2]。

傳統架構的主要要求是：

$$
T_{\mathrm{device}}
<
T_{\max}.
$$

至於熱最後去哪裡，通常不是計算排程器關心的事。

這造成一個結構性問題：

> 計算端管理高品質電能，但熱管理端常把所有排出的熱視為同一種「廢熱」。

然而：

$$
Q_{90^\circ\mathrm C}
$$

與：

$$
Q_{30^\circ\mathrm C}
$$

雖然可能有相同能量值，卻具有不同的利用潛力。

同理：

$$
Q_{4\ \mathrm K}
$$

與：

$$
Q_{80\ \mathrm K}
$$

所代表的「冷卻價值」也不能只用 joule 比較。

所以本文提出：

$$
\boxed{
\text{Energy quantity alone is insufficient for thermodynamic scheduling.}
}
$$

---

# 2. 能量守恆與能量品質

第一定律告訴我們：

$$
\Delta U
=
Q-W.
$$

能量不會憑空消失。

但第二定律告訴我們，能量轉換的可用程度受到熵產生限制。

因此需要引入 exergy。

對環境基準溫度：

$$
T_0,
$$

高於環境的熱源若在固定溫度 $T>T_0$ 提供熱量 $Q$，其理想最大可用功近似：

$$
B_Q
=
Q
\left(
1-\frac{T_0}{T}
\right).
$$

這表示：

$$
T\rightarrow T_0
$$

時：

$$
B_Q\rightarrow0.
$$

所以接近環境溫度的低品位廢熱很難直接有效發電。

對低於環境的冷源，其「冷 exergy」同樣具有價值。若維持某冷端溫度：

$$
T_c<T_0,
$$

則把環境熱量搬到該冷端所需的最小功受到 Carnot limit 約束。

理想 refrigerator：

$$
COP_{\mathrm{Carnot}}
=
\frac{T_c}{T_0-T_c}.
$$

因此：

$$
T_c\downarrow
\Rightarrow
COP_{\mathrm{Carnot}}\downarrow.
$$

也就是：

$$
\boxed{
\text{the colder the cold resource, the more expensive each unit of cooling becomes}.
}
$$

這是本文所有 thermal cascade 設計的核心物理理由。

---

# 3. 極低溫系統已經在做「熱階梯」

CERN 的 LHC cryogenic system 是一個非常清楚的現實例子。

其冷凍需求不是全部在 $1.8$ 或 $1.9\ \mathrm{K}$ 處理，而分布於：

$$
50\text{–}75\ \mathrm{K},
$$

$$
4.5\text{–}20\ \mathrm{K},
$$

$$
4.7\ \mathrm{K},
$$

$$
1.8\ \mathrm{K},
$$

以及 warm helium return 等不同溫級 [3][4]。

CERN 對 LHC thermal design 的公開技術文獻更明確指出，由於 $1.8\ \mathrm{K}$ refrigeration 的高 thermodynamic cost，設計目標是盡量在較高溫度截取最大的熱負載，因此形成 multiple staged temperature levels [5]。

可寫成：

$$
Q_{\mathrm{incoming}}
=
Q_{50-75K}
+
Q_{4.5-20K}
+
Q_{4K}
+
Q_{1.9K}.
$$

工程目的不是讓：

$$
Q_{1.9K}
$$

最大。

而是盡可能：

$$
Q_{1.9K}
\downarrow.
$$

也就是：

$$
\boxed{
\text{intercept heat at the warmest technically acceptable stage}.
}
$$

這就是 thermal cascade 的第一個原型。

---

# 4. ANCSI 的 Thermal Cascade 命題

本文將 thermal cascade 定義為：

> 熱量或冷量在不同溫級間依其品質逐級使用、攔截、回收或轉換，而不是在第一次交換後直接排向環境。

設溫級集合：

$$
\mathcal{T}
=
\{
T_1,
T_2,
\ldots,
T_n
\},
$$

且：

$$
T_1<T_2<\cdots<T_n.
$$

對冷量而言，可建立：

$$
T_1
\rightarrow
T_2
\rightarrow
\cdots
\rightarrow
T_n
\rightarrow
T_0.
$$

例如：

$$
4\ \mathrm K
\rightarrow
20\ \mathrm K
\rightarrow
80\ \mathrm K
\rightarrow
180\ \mathrm K
\rightarrow
280\ \mathrm K.
$$

但這不是宣稱同一股流體一定必須逐級流過所有設備。

更一般地，它表示：

$$
\boxed{
\text{cold-resource quality should be consumed from high-value uses toward lower-value uses}.
}
$$

類似地，熱回流可以：

$$
300\ \mathrm K
\rightarrow
330\ \mathrm K
\rightarrow
350\ \mathrm K
$$

再進入：

- domestic hot water；
- greenhouse；
- district heating；
- industrial preheat；
- heat pump；
- 最後才是環境排熱。

---

# 5. 「冷量」不是負能量，而是熱力學服務能力

為避免概念混亂，本文中的 cold energy / cold quantity 並不是獨立於物理熱力學之外的新能量。

它只是工程語言，用來表示：

$$
\boxed{
\text{capacity to absorb heat below a reference temperature}.
}
$$

例如某 cold storage 可吸收：

$$
Q_c
$$

而溫度仍維持在可用範圍。

因此可以定義：

$$
S_c
=
\text{cold-state-of-charge}.
$$

但真正完整的狀態應包括：

$$
S_c
=
f(
T,
M,
\phi,
C_p,
L,
P
).
$$

其中：

$$
M
=
\text{storage mass},
$$

$$
\phi
=
\text{phase state},
$$

$$
L
=
\text{latent heat term}.
$$

因此：

$$
\boxed{
\text{cold storage is a thermodynamic state, not a battery with negative joules}.
}
$$

---

# 6. Sensible Cold Storage

最簡單的 thermal storage 利用 sensible heat：

$$
Q
=
mc_p\Delta T.
$$

例如一個大型冷水儲槽：

$$
T_1<T_2.
$$

充冷時：

$$
T\downarrow.
$$

放冷時：

$$
T\uparrow.
$$

優點：

- 技術成熟；
- 模型簡單；
- 維護容易；
- 可大尺度部署。

缺點：

- 儲能密度受 $c_p\Delta T$ 限制；
- 大容量需要大量體積；
- stratification 需要管理。

對大型資料中心而言，sensible storage 特別適合作為：

$$
\boxed{
\text{minutes-to-hours thermal buffer}.
}
$$

---

# 7. Latent Thermal Storage

若使用 phase-change material：

$$
Q
\approx
mL
+
mc_p\Delta T.
$$

相變期間：

$$
T
\approx
T_{\mathrm{phase}}.
$$

因此可在較窄溫度範圍儲存較大量熱量。

潛在用途：

- short-duration compute burst；
- peak cooling shaving；
- instrument preconditioning；
- local thermal buffer。

但限制包括：

- low thermal conductivity；
- encapsulation；
- phase segregation；
- cycling degradation；
- volume change；
- cost。

因此 PCM 並不是 universal solution。

ANCSI 只將它視為 thermal-storage portfolio 中的一類。

---

# 8. Cold Underground Thermal Energy Storage

2025 年 NREL 公開一項由 DOE 支持的 Cold Underground Thermal Energy Storage 研究，目的之一是利用離峰電力建立地下 cold reserve，並在 grid peak 或 data-center peak cooling 時釋放；NREL 特別強調，此類系統可能同時提供日內與更長時間尺度的 thermal storage [6]。

DOE 後續的 geothermal / data-center 資訊也將 Cold UTES 描述為：

$$
\text{off-peak charging}
\rightarrow
\text{cold storage}
\rightarrow
\text{peak cooling dispatch}.
$$

其目的包括降低資料中心 peak cooling load 與 grid expansion pressure [7]。

因此 ANCSI 的 cold storage 不應只想像成機房裡的一顆儲槽。

它可以形成多時間尺度：

$$
\boxed{
\text{seconds}
\rightarrow
\text{minutes}
\rightarrow
\text{hours}
\rightarrow
\text{days}
\rightarrow
\text{seasonal}.
}
$$

不同 storage technology 對應不同時間尺度。

---

# 9. Thermal Storage Portfolio

一座大型 ANCSI facility 可以同時具有：

$$
\mathcal{S}
=
\{
S_{\mathrm{fast}},
S_{\mathrm{mid}},
S_{\mathrm{long}}
\}.
$$

例如：

### Fast Storage

$$
\tau
\sim
\text{seconds-minutes}.
$$

可能利用：

- local thermal mass；
- PCM；
- chilled buffer。

### Mid Storage

$$
\tau
\sim
\text{minutes-hours}.
$$

可能利用：

- large chilled-water tank；
- ice / phase-change storage；
- cryogenic inventory buffer。

### Long Storage

$$
\tau
\sim
\text{hours-months}.
$$

可能利用：

- underground thermal storage；
- aquifer / borehole systems；
- large seasonal storage。

因此 thermal scheduler 不只問：

> 還有多少冷量？

而是：

> 哪一個時間尺度的 cold reserve 應該被使用？

---

# 10. Cold State of Charge

對 storage $k$，定義：

$$
SOC_{c,k}
\in
[0,1].
$$

但不同 storage 具有不同：

$$
\eta_{\mathrm{charge}},
$$

$$
\eta_{\mathrm{discharge}},
$$

$$
P_{\mathrm{charge,max}},
$$

$$
P_{\mathrm{discharge,max}},
$$

$$
\tau_{\mathrm{loss}}.
$$

因此 dynamics 可以寫成：

$$
\frac{dS_{c,k}}{dt}
=
\eta_{c,k}Q_{\mathrm{charge}}
-
\frac{Q_{\mathrm{discharge}}}{\eta_{d,k}}
-
Q_{\mathrm{loss},k}.
$$

且：

$$
0
\le
S_{c,k}
\le
S_{c,k}^{\max}.
$$

這讓冷量第一次可以像：

- battery SOC；
- memory capacity；
- fuel inventory；

一樣被 scheduler 正式看見。

---

# 11. 但不同溫級的 Cold SOC 不能直接相加

假設：

$$
S_{80K}
=
10\ \mathrm{MJ}
$$

以及：

$$
S_{280K}
=
10\ \mathrm{MJ}.
$$

不能說：

$$
S_{\mathrm{total}}
=
20\ \mathrm{MJ}
$$

就完整描述其價值。

因為：

$$
10\ \mathrm{MJ}@80K
$$

與：

$$
10\ \mathrm{MJ}@280K
$$

不具有相同的 thermodynamic value。

因此需要：

$$
\boxed{
\text{temperature-tagged thermal inventory}.
}
$$

例如：

$$
\mathcal{S}_c
=
\{
(Q_1,T_1),
(Q_2,T_2),
\ldots
\}.
$$

更進一步使用 exergy：

$$
\mathcal{B}_c
=
\{
(B_1,T_1),
(B_2,T_2),
\ldots
\}.
$$

---

# 12. Thermal Exergy Ledger

本文提出：

$$
\boxed{
\text{Thermal Exergy Ledger}
}
$$

作為設施級 accounting abstraction。

它不是區塊鏈概念。

而是對不同 thermal resource 記錄：

$$
L_i
=
(
Q_i,
T_i,
B_i,
\tau_i,
\eta_i,
C_i
).
$$

其中：

$$
Q_i
=
\text{energy quantity},
$$

$$
T_i
=
\text{temperature level},
$$

$$
B_i
=
\text{exergy value},
$$

$$
\tau_i
=
\text{availability time},
$$

$$
\eta_i
=
\text{delivery efficiency},
$$

$$
C_i
=
\text{economic / operational cost}.
$$

這使 AI scheduler 可以比較：

> 現在用 $80\ \mathrm{K}$ cold reserve 去冷一個只需要 $250\ \mathrm{K}$ 的 workload 是否太浪費？

通常答案會是：

$$
\text{yes}.
$$

因為那是在做：

$$
\boxed{
\text{high-quality resource destruction}.
}
$$

---

# 13. Thermal Matching Principle

本文提出最重要的設計原則之一：

$$
\boxed{
\text{Use the lowest-quality thermal resource that can satisfy the task.}
}
$$

對 cooling 而言，可以理解為：

> 不要用比任務所需更低太多的冷源。

例如：

若 device 只需要：

$$
T<310\ \mathrm K,
$$

就不應使用 $80\ \mathrm{K}$ cryogenic capacity。

若 device 需要：

$$
T<250\ \mathrm K,
$$

也應優先選擇：

$$
T_c
\lesssim
250\ \mathrm K
$$

而不是：

$$
T_c=4\ \mathrm K.
$$

這與電網中：

> 不要用最高品質能源完成最低品質任務

具有相似思維。

---

# 14. Heat Cascade

計算設備產生的熱可以先被高溫液冷回路收集：

$$
T_{\mathrm{return}}
=
T_h.
$$

如果：

$$
T_h
$$

足夠高，則可直接用於：

- 建築供暖；
- 水加熱；
- greenhouse；
- swimming pool；
- low-temperature industrial process；
- district heating。

OCP 2025 年 heat-reuse reference design 即示範資料中心 liquid cooling 與 heat pump / district energy 的整合，並強調提高 data-center cooling return temperature 可以降低 heat-pump 所需的 temperature lift，進而改善效率 [8]。

因此：

$$
\boxed{
\text{warm-water cooling}
}
$$

可能同時有兩個價值：

1. 降低資料中心冷卻成本；
2. 提高廢熱利用品質。

---

# 15. Heat Pump 不應被視為「浪費」

一個常見誤解是：

> 既然熱泵需要用電，廢熱回收就沒有意義。

這不正確。

熱泵輸出：

$$
Q_h
=
Q_c+W.
$$

其 heating COP：

$$
COP_h
=
\frac{Q_h}{W}.
$$

只要：

$$
COP_h>1,
$$

每單位電力可搬運超過一單位的熱。

但：

$$
COP_h
$$

會隨 temperature lift：

$$
\Delta T
=
T_h-T_c
$$

增加而下降。

所以：

$$
\boxed{
\text{higher source temperature}
\rightarrow
\text{lower temperature lift}
\rightarrow
\text{better heat-pump opportunity}.
}
$$

這正是為什麼高溫 direct liquid cooling 對 heat reuse 特別有價值。

---

# 16. Heat Reuse Readiness

不是所有 data center 都適合 heat reuse。

因此本文提出：

$$
\boxed{
HRR
=
\text{Heat Reuse Readiness}.
}
$$

可以由：

$$
HRR
=
f(
T_{\mathrm{return}},
Q_{\mathrm{available}},
D_{\mathrm{distance}},
D_{\mathrm{demand}},
\tau_{\mathrm{match}},
C_{\mathrm{integration}}
).
$$

其中：

$$
D_{\mathrm{distance}}
=
\text{distance to heat user},
$$

$$
D_{\mathrm{demand}}
=
\text{heat demand profile},
$$

$$
\tau_{\mathrm{match}}
=
\text{supply-demand temporal alignment}.
$$

OCP Heat Reuse Subproject 目前已公開建立 heat-reuse readiness、reference design、economics 與 policy workstreams，顯示「能不能利用廢熱」本身已經被視為需要系統級評估的工程問題 [1][9]。

---

# 17. 熱供需時間錯配

即使資料中心每天都產生熱：

$$
Q_{\mathrm{DC}}(t)>0,
$$

需求端可能：

$$
Q_{\mathrm{demand}}(t)
$$

完全不同步。

例如：

- 冬季供暖需求高；
- 夏季供暖需求低；
- 工業 process 可能只在白天運行；
- AI training cluster 可能夜間高負載。

所以：

$$
Q_{\mathrm{supply}}(t)
\neq
Q_{\mathrm{demand}}(t).
$$

這也是 thermal storage 第二個角色：

$$
\boxed{
\text{time shifting}.
}
$$

此時 storage 不只是冷量儲存，也可能包含：

$$
S_h
=
\text{heat storage}.
$$

---

# 18. Bidirectional Thermal Storage

ANCSI 不應只儲冷。

設施可同時有：

$$
S_c
=
\text{cold reserve},
$$

與：

$$
S_h
=
\text{heat reserve}.
$$

因此完整狀態：

$$
S_T
=
(
S_c,S_h
).
$$

在某些時段：

$$
P_{\mathrm{grid}}
\downarrow
$$

或 renewable supply 高時：

$$
S_c\uparrow.
$$

在 compute peak：

$$
S_c\downarrow.
$$

同時：

$$
S_h\uparrow.
$$

如果外界 heat demand 高：

$$
S_h\downarrow.
$$

所以整體變成：

$$
\boxed{
\text{bidirectional thermal inventory}.
}
$$

---

# 19. Thermal Arbitrage

「arbitrage」在本文中不是金融投機。

它表示：

> 在不同時間、電價、氣候、算力負載與熱需求下，移動 cooling / heating work。

例如：

### 夜間

$$
C_{\mathrm{electricity}}\downarrow.
$$

系統：

$$
S_c\uparrow.
$$

### 白天 AI burst

$$
P_{\mathrm{compute}}\uparrow.
$$

系統：

$$
S_c\downarrow.
$$

避免：

$$
P_{\mathrm{refrigerator}}
$$

與：

$$
P_{\mathrm{compute}}
$$

同時到峰值。

這就是：

$$
\boxed{
\text{thermal peak shaving}.
}
$$

NREL 的 Cold UTES 研究本身即以類似概念描述 off-peak charging 與 peak-hour dispatch [6]。

---

# 20. Grid-Aware Thermal Scheduling

因此 thermal scheduler 可以讀取：

$$
G(t)
=
\{
C_{\mathrm{electricity}},
I_{\mathrm{carbon}},
P_{\mathrm{renewable}},
P_{\mathrm{grid\ limit}}
\}.
$$

然後決定：

$$
u_T(t).
$$

最佳化：

$$
\min
\int
\left[
C_e(t)P(t)
+
\lambda I_c(t)P(t)
+
C_{\mathrm{wear}}
\right]dt.
$$

subject to：

$$
S_c(t)\in[S_{\min},S_{\max}],
$$

$$
T(t)\in[T_{\min},T_{\max}].
$$

所以冷卻第一次變成：

$$
\boxed{
\text{grid-interactive load}.
}
$$

而不只是固定電力需求。

---

# 21. 計算工作負載也可以參與 Thermal Arbitrage

如果 workload：

$$
W_j
$$

具有可延後性：

$$
D_j>0,
$$

則 scheduler 可以同時移動：

$$
\text{compute time}
$$

與：

$$
\text{thermal time}.
$$

例如：

> 現在 cold SOC 很低，但兩小時後 renewable surplus 會增加。

則：

$$
W_j:
t
\rightarrow
t+\Delta t.
$$

另一種情況：

> 現在 cold storage 已滿，如果不使用將逐步產生 standby loss。

則提前：

$$
W_j.
$$

因此：

$$
\boxed{
\text{compute flexibility}
+
\text{thermal storage}
}
$$

會形成新的聯合控制自由度。

---

# 22. Thermal Cascade Graph

本文將不同熱源、冷源與儲能建成有向圖：

$$
\mathcal{G}_E
=
(V_E,E_E).
$$

節點可以包括：

- cryogenic refrigerator；
- $4\ \mathrm{K}$ bus；
- $80\ \mathrm{K}$ stage；
- sub-ambient loop；
- warm-water loop；
- thermal storage；
- heat pump；
- district heating；
- ambient sink；
- compute zones；
- scientific instruments。

edge：

$$
e_{ij}
$$

表示允許的能量／熱量傳遞。

每條 edge 有：

$$
e_{ij}
=
(
Q_{\max},
\eta,
\Delta T,
C,
R
).
$$

於是 scheduler 求：

$$
\mathcal{R}^{\ast}
=
\operatorname*{argmin}_{\mathcal{R}}
J(\mathcal{R})
$$

subject to first-law balance 與 second-law constraints。

這就是：

$$
\boxed{
\text{energy-quality routing}.
}
$$

---

# 23. Exergy Destruction

對 real process：

$$
B_{\mathrm{dest}}
=
T_0S_{\mathrm{gen}}.
$$

其中：

$$
S_{\mathrm{gen}}\ge0.
$$

所以系統應最小化：

$$
B_{\mathrm{dest}}.
$$

但這不代表所有 exergy destruction 都值得花巨資消除。

因此 objective 應該是：

$$
J
=
C_{\mathrm{energy}}
+
C_{\mathrm{capital}}
+
C_{\mathrm{maintenance}}
+
C_{\mathrm{risk}}
+
\lambda B_{\mathrm{dest}}.
$$

這避免從一個極端：

> 所有熱都丟掉。

跳到另一個極端：

> 每一 joule 都必須回收。

後者也可能是不經濟的。

---

# 24. 不應為了「發電」而破壞整體系統

若資料中心回水只有：

$$
T_h
\approx
40^\circ\mathrm C,
$$

環境：

$$
T_0
\approx
25^\circ\mathrm C,
$$

則可用溫差非常小。

理想 Carnot efficiency：

$$
\eta_C
=
1-\frac{T_0}{T_h}.
$$

以 Kelvin 計：

$$
T_0=298\ \mathrm K,
$$

$$
T_h=313\ \mathrm K,
$$

則：

$$
\eta_C
\approx
4.8\%.
$$

實際 power-conversion efficiency 必然更低。

所以對低品位 data-center heat，直接發電往往不會是第一選擇。

更合理的用途可能是：

$$
\boxed{
\text{direct heat use}
>
\text{heat pump upgrading}
>
\text{power generation}
}
$$

但這不是普遍固定排序。

真正排序依：

- source temperature；
- sink temperature；
- local heat demand；
- economics；
- equipment cost；

決定。

---

# 25. 發電真正合理的地方

如果設施內某些研究或 process 形成較高溫熱源：

$$
T_h\gg T_0,
$$

或者存在：

- 高溫 industrial process；
- gas-turbine exhaust；
- fuel-cell exhaust；
- high-temperature thermal storage；

則可以考慮：

- Rankine cycle；
- ORC；
- thermoelectric；
- 其他經驗證 conversion technology。

但 ANCSI 不應為了「看起來能回收電」在低溫差流路中加入大量 turbine / generator。

因為：

$$
\boxed{
\text{pressure recovery}
\neq
\text{new energy source}.
}
$$

若壓力本來由泵或 compressor 提供，再用 turbine 回收，只能回收部分原本投入的功。

---

# 26. Cryogenic Expansion Recovery

低溫系統中，某些高壓流體減壓過程可以使用：

- turboexpander；
- expansion turbine；
- cold compressor；

進行熱力循環。

這本來就是大型 helium refrigerator 的成熟組成。

但 ANCSI 應區分：

$$
\boxed{
\text{refrigeration-cycle machinery}
}
$$

與：

$$
\boxed{
\text{external power-generation claim}.
}
$$

前者是在既有 refrigeration cycle 中提升效率。

後者若宣稱可額外產生淨能，必須完整計入 compressor work 與所有損失。

---

# 27. 熱階梯與管網場結合

ANCSI-04 的 VMPF 提供：

$$
\mathcal{G}_P.
$$

ANCSI-05 則在其上加入：

$$
\mathcal{G}_E.
$$

例如同一設施存在：

```text
4 K Bus
  ↓
20 K Stage
  ↓
80 K Stage
  ↓
Sub-Ambient Loop
  ↓
Warm Liquid Loop
  ↓
Heat Pump / Direct Heat Use
  ↓
Ambient
```

但實際系統不必是一條串聯管。

更可能是：

$$
\boxed{
\text{parallel physical loops}
+
\text{logical thermal cascade}.
}
$$

即 thermal scheduler 決定：

> 哪一個熱負載應該在哪一個溫級被攔截。

---

# 28. Heat Interception Budget

對 cryogenic island，可以定義：

$$
Q_{\mathrm{total}}
=
Q_{300\rightarrow80}
+
Q_{80\rightarrow20}
+
Q_{20\rightarrow4}
+
Q_{4\rightarrow1}.
$$

設計目標通常不是：

$$
Q_i=0
$$

而是讓越低溫級：

$$
Q_i
$$

越小。

因此可以定義：

$$
HIB_i
=
\text{Heat Interception Budget at stage } i.
$$

如果某線纜、支架、管道將太多熱導入低溫級：

$$
Q_{i}>HIB_i,
$$

系統即違反設計。

這使 mechanical support、electrical cable 與 fluid pipe 都變成 thermal-budget components。

---

# 29. 計算硬體的 Heat-Quality Design

如果未來硬體從一開始就考慮 heat reuse，它可能故意提高：

$$
T_{\mathrm{return}}.
$$

例如 direct-to-chip cooling 可讓熱以較高 coolant temperature 被收集。

這不表示晶片 junction temperature 一定提高到危險範圍。

而是透過：

- lower thermal resistance；
- better cold plate；
- better TIM；
- higher flow efficiency；

讓：

$$
T_{\mathrm{coolant}}
$$

在安全條件下提高。

所以未來硬體可以有：

$$
\boxed{
\text{Heat-Quality-Aware Design}.
}
$$

評估指標不只：

$$
T_j,
$$

還包括：

$$
T_{\mathrm{return}},
$$

$$
Q_{\mathrm{recoverable}},
$$

$$
B_{\mathrm{recoverable}}.
$$

---

# 30. Heat-Reuse-Aware Compute Placement

假設兩個 cluster：

$$
A
$$

與：

$$
B.
$$

其 compute efficiency 接近：

$$
\eta_A
\approx
\eta_B.
$$

但：

$$
T_{\mathrm{return},A}
>
T_{\mathrm{return},B}.
$$

同時 A 附近有：

$$
Q_{\mathrm{demand}}>0.
$$

則某些 workload 放在 A 可能更有總體價值。

scheduler 可以求：

$$
i^\ast
=
\operatorname*{argmin}_i
\left[
C_{\mathrm{compute},i}
+
C_{\mathrm{cool},i}
-
V_{\mathrm{heat},i}
\right].
$$

這就是：

$$
\boxed{
\text{Heat-Reuse-Aware Compute Placement}.
}
$$

---

# 31. 但不能為了熱回收故意增加無意義計算

若：

$$
V_{\mathrm{heat}}
<
C_{\mathrm{electricity}},
$$

那麼故意增加計算功耗來產熱通常毫無道理。

即：

$$
\boxed{
\text{waste heat reuse}
\neq
\text{heat production by wasteful computing}.
}
$$

正確順序是：

1. 計算本來就需要執行；
2. 其能源最終轉成熱；
3. 在不顯著降低主要任務效率的前提下回收熱。

這避免 sustainability 指標被錯誤最佳化。

---

# 32. Dynamic Thermal Price

若 thermal resource 稀缺，可以建立內部影子價格：

$$
\lambda_T(t,T).
$$

例如：

$$
\lambda_T(t,4K)
\gg
\lambda_T(t,280K).
$$

其意義不是一定要形成市場交易。

而是讓 scheduler 理解：

> 在 $4\ \mathrm{K}$ 排掉 $1\ \mathrm W$ 熱，和在 $300\ \mathrm{K}$ 排掉 $1\ \mathrm W$ 熱，系統成本完全不同。

因此 workload objective 可加入：

$$
C_{\mathrm{thermal}}
=
\int
\lambda_T(t,T)
\dot Q(t,T)
dt.
$$

這是一種：

$$
\boxed{
\text{thermodynamic shadow pricing}.
}
$$

---

# 33. Cold Budget 與 Exergy Budget 的差異

ANCSI-03 已提出：

$$
B_c
=
\text{cold budget}.
$$

本篇進一步指出：

$$
B_c
$$

最好不能只有一個數。

應分成：

$$
B_c(T).
$$

或者使用：

$$
B_{\mathrm{exergy}}.
$$

因為：

$$
10\ \mathrm{kW}@280K
$$

不能替代：

$$
10\ \mathrm{kW}@4K.
$$

所以：

$$
\boxed{
\text{cold capacity is temperature-indexed}.
}
$$

這對 hybrid quantum / cryogenic compute 特別重要。

---

# 34. 多時間尺度的 Thermal Market

若整座設施很大，可以在內部建立資源分配機制：

$$
\mathcal{M}_T.
$$

各區域發布：

### Demand

$$
D_i
=
(
T_i,
Q_i,
t_i,
\tau_i,
p_i
).
$$

### Supply

$$
S_j
=
(
T_j,
Q_j,
t_j,
\tau_j,
C_j
).
$$

central optimizer 或 federated AI 做 matching。

這不是主張一定採用經濟市場機制。

它只是提供一種：

$$
\boxed{
\text{distributed resource-allocation abstraction}.
}
$$

---

# 35. 科研設施中的 Thermal Cascade

ANCSI 不是只有資料中心。

科研流程本身可能包含：

- cryogenic sample；
- vacuum chamber；
- furnace；
- laser；
- detector；
- microscopy；
- superconducting magnet；
- chemical process。

因此一個實驗可能同時產生：

$$
Q_{\mathrm{hot}}>0
$$

與需要：

$$
Q_{\mathrm{cold}}>0.
$$

如果時間與溫級合適，可以共享：

- heat pump；
- thermal storage；
- coolant loop；
- recuperator；
- pre-cooling stage。

所以科研 scheduler 不只排：

$$
\text{instrument time}.
$$

還可以排：

$$
\boxed{
\text{thermal compatibility}.
}
$$

---

# 36. Thermal Symbiosis

當設施內：

$$
\text{heat producer}
$$

與：

$$
\text{heat consumer}
$$

同時存在，可以形成：

$$
\boxed{
\text{thermal symbiosis}.
}
$$

例如：

- compute heat 預熱某製程；
- 某實驗冷卻回路的高溫 return 供建築熱水；
- 某熱製程的 rejection heat 為 absorption cooling 提供驅動；
- 某冷量回溫階段先服務較高溫 scientific zone。

但每種 coupling 都必須檢查：

$$
T_{\mathrm{source}}
>
T_{\mathrm{sink}}+\Delta T_{\min}.
$$

否則必須由 heat pump 或其他功輸入補償。

---

# 37. Exergy-Aware Scheduler

本文提出：

$$
\boxed{
\pi_{\mathrm{XA}}
=
\text{Exergy-Aware Scheduler}.
}
$$

其輸入：

$$
S_t
=
(
C,
T,
Q,
B,
S_c,
S_h,
G,
D
).
$$

其中：

$$
D
=
\text{external thermal demand}.
$$

目標：

$$
\min
J
=
C_{\mathrm{electricity}}
+
C_{\mathrm{cooling}}
+
C_{\mathrm{storage}}
+
C_{\mathrm{wear}}
+
C_{\mathrm{risk}}
+
\lambda B_{\mathrm{dest}}
-
V_{\mathrm{reuse}}.
$$

subject to：

$$
\text{first law},
$$

$$
S_{\mathrm{gen}}\ge0,
$$

$$
\text{safety},
$$

$$
\text{compute QoS}.
$$

AI 可以用來：

- demand forecasting；
- workload forecasting；
- heat-use matching；
- storage dispatch；
- route planning；
- anomaly detection。

但不可修改物理守恆。

---

# 38. 第二定律應該直接進入 Planner

如果 AI planner 只學歷史資料，而沒有明確 thermodynamic constraints，可能產生形式上可行但物理上不合理的方案。

因此 solver 必須強制：

$$
\sum E_{\mathrm{in}}
=
\sum E_{\mathrm{out}}
+
\Delta U.
$$

以及：

$$
S_{\mathrm{gen}}
\ge0.
$$

可進一步要求：

$$
B_{\mathrm{out}}
\le
B_{\mathrm{in}}.
$$

在沒有外部 work input 的子系統中。

這意味著：

$$
\boxed{
\text{thermodynamic law is a hard constraint, not an AI preference}.
}
$$

---

# 39. Energy Recovery 的層級順序

對一個特定熱流，系統可以依序檢查：

### Level 0 — Avoid

能否一開始就降低：

$$
Q_{\mathrm{generated}}?
$$

例如：

- 更高效率 compute；
- DVFS；
- idle shutdown。

### Level 1 — Internal Cascade

能否將該熱量在設施內另一溫級使用？

### Level 2 — Direct Reuse

能否直接供給外部 heat demand？

### Level 3 — Upgrade

能否透過 heat pump 升溫？

### Level 4 — Power Recovery

溫差是否足夠高，值得轉成電？

### Level 5 — Reject

最後才：

$$
Q\rightarrow Q_{\mathrm{ambient}}.
$$

這個順序不是絕對固定，但提供一個合理決策框架。

---

# 40. Heat Rejection 仍然必須存在

ANCSI 不應追求：

$$
Q_{\mathrm{ambient}}=0
$$

作為普遍目標。

因為：

- 熱需求可能不存在；
- storage 可能已滿；
- source temperature 太低；
- transport distance 太遠；
- reuse equipment 本身耗能；
- reliability 可能優先於 efficiency。

所以：

$$
\boxed{
\text{heat rejection is not failure}.
}
$$

真正失敗的是：

> 在具有低成本、高價值利用機會時仍無條件丟棄可用熱。

---

# 41. Seasonal Mismatch

在溫帶地區，資料中心：

$$
Q_{\mathrm{heat}}
$$

全年可能相對穩定。

但 district-heating demand：

$$
Q_{\mathrm{DH}}
$$

可能冬高夏低。

因此：

$$
\Delta Q(t)
=
Q_{\mathrm{heat}}
-
Q_{\mathrm{DH}}
$$

具有強烈季節性。

解法可能包括：

- seasonal storage；
- alternative summer heat users；
- cooling production；
- industrial processes；
- partial rejection。

這再次說明 heat reuse 必須從設施規劃階段就考慮，而不是機房蓋完才問：

> 熱可以賣給誰？

OCP 2026 年的 heat-reuse 指南也強調資料中心與鄰近 heat users 的早期規劃、供需配對與管線基礎設施 [2]。

---

# 42. Geography 仍然重要

熱不像資料封包可以低成本跨洲傳輸。

因此：

$$
C_{\mathrm{transport}}
=
f(
D,
\Delta T,
Q,
\dot m,
\text{pipe insulation}
).
$$

距離：

$$
D\uparrow
$$

通常使：

$$
C_{\mathrm{transport}}\uparrow.
$$

所以 heat reuse 會把資料中心選址與：

- district heating；
- greenhouse；
- industrial park；
- wastewater system；
- campus；

重新耦合。

這是數位基礎設施重新被地理綁定的一個有趣結果。

---

# 43. ANCSI 內部的 Energy Quality Hierarchy

可暫時建立：

$$
\mathcal{Q}_E
=
\{
\text{electricity},
\text{cryogenic exergy},
\text{high-temperature heat},
\text{low-temperature heat},
\text{ambient heat}
\}.
$$

這不是絕對價值排名。

而是提醒 scheduler：

$$
\boxed{
\text{different energy forms are not freely interchangeable}.
}
$$

例如：

- electricity 可以驅動 heat pump；
- low-grade heat 不能無損轉回 electricity；
- $4\ \mathrm{K}$ cooling 需要大量上游 work；
- ambient heat 很豐富，但不等於有用功。

所以大型 ANCSI plant 不應只顯示：

```text
Total energy: X MWh
```

還應顯示：

```text
Electrical energy
Cold exergy by temperature tier
Recoverable heat by temperature tier
Stored cold
Stored heat
Exergy destruction
```

---

# 44. Thermal Sankey 不夠，還需要 Exergy Map

一般 Sankey diagram 顯示：

$$
E_{\mathrm{flow}}.
$$

但兩條相同寬度的熱流可能具有完全不同的可用價值。

因此 ANCSI dashboard 應同時提供：

### Energy Map

$$
Q(\mathbf{x},t).
$$

### Temperature Map

$$
T(\mathbf{x},t).
$$

### Exergy Map

$$
B(\mathbf{x},t).
$$

這樣 AI 與人類都能看見：

> 哪裡正在大量摧毀高品質 thermal resource？

---

# 45. Provenance of Thermal Value

若某 workload 使用了：

$$
4\ \mathrm{K}
$$

cold reserve，應可追查：

- 為什麼需要；
- 是否有較高溫替代方案；
- cold reserve 從何處建立；
- 建立時用了多少電；
- 使用後熱去了哪裡；
- 是否有 downstream cascade；
- 是否回收到 heat-use network。

因此建立：

$$
E_{\mathrm{thermal}}
=
(
S_{\mathrm{source}},
T_{\mathrm{source}},
Q,
B,
R,
S_{\mathrm{sink}},
M,
t
).
$$

這使 thermal accounting 不只服務 sustainability。

它也是科研與操作 evidence。

---

# 46. 第一代實驗：Cold Storage Peak Shaving

最簡單原型完全不需要低溫。

建立：

- compute cluster；
- liquid cooling；
- chilled-water storage；
- workload scheduler；
- electricity meter；
- cooling power meter。

Baseline：

$$
\pi_0
=
\text{reactive cooling}.
$$

Experimental：

$$
\pi_1
=
\text{predictive cold-storage dispatch}.
$$

比較：

$$
P_{\mathrm{facility,max}},
$$

$$
E_{\mathrm{cooling}},
$$

$$
T_{\max},
$$

$$
C_{\mathrm{electricity}}.
$$

若沒有改善：

$$
H_{\mathrm{storage}}
$$

被削弱。

---

# 47. 第二代實驗：Heat Reuse

加入高溫 direct liquid cooling。

建立：

$$
T_{\mathrm{return}}
$$

與 heat-user loop。

比較：

### Case A

$$
Q_{\mathrm{heat}}
\rightarrow
\text{ambient}.
$$

### Case B

$$
Q_{\mathrm{heat}}
\rightarrow
\text{direct heat user}.
$$

### Case C

$$
Q_{\mathrm{heat}}
\rightarrow
\text{heat pump}
\rightarrow
\text{heat user}.
$$

測量：

$$
\mathrm{COP},
$$

$$
E_{\mathrm{total}},
$$

$$
Q_{\mathrm{reused}},
$$

$$
C_{\mathrm{total}}.
$$

---

# 48. 第三代實驗：Multi-Temperature Cascade

建立至少三個 thermal stages：

$$
T_1<T_2<T_3.
$$

比較：

### Baseline

各級獨立排熱。

### Cascade

高品質 cold / heat 依用途分級。

評估：

$$
B_{\mathrm{dest}},
$$

$$
E_{\mathrm{refrigeration}},
$$

$$
Q_{\mathrm{reused}}.
$$

若：

$$
B_{\mathrm{dest,cascade}}
<
B_{\mathrm{dest,baseline}},
$$

且 lifecycle cost 合理，則支持 ANCSI thermal cascade。

---

# 49. 第四代實驗：Compute + Thermal + External Demand

再加入：

$$
D_{\mathrm{heat}}(t)
$$

與：

$$
C_{\mathrm{electricity}}(t).
$$

AI scheduler 同時決定：

- workload timing；
- compute placement；
- cold charging；
- cold discharge；
- heat storage；
- heat reuse。

這才真正驗證：

$$
\boxed{
\text{thermodynamic resource orchestration}.
}
$$

---

# 50. 評估指標

## 50.1 Energy Reuse Ratio

$$
R_E
=
\frac{Q_{\mathrm{reused}}}
{Q_{\mathrm{recoverable}}}.
$$

---

## 50.2 Exergy Reuse Ratio

$$
R_B
=
\frac{B_{\mathrm{reused}}}
{B_{\mathrm{recoverable}}}.
$$

---

## 50.3 Exergy Destruction

$$
B_{\mathrm{dest}}
=
T_0S_{\mathrm{gen}}.
$$

---

## 50.4 Cold Storage Utilization

$$
U_c
=
\frac{\int Q_{\mathrm{discharge}}dt}
{S_{c,\max}}.
$$

---

## 50.5 Peak Cooling Reduction

$$
R_{\mathrm{peak}}
=
1-
\frac{P_{\mathrm{cool,peak,new}}}
{P_{\mathrm{cool,peak,base}}}.
$$

---

## 50.6 Heat-Reuse Availability

$$
A_h
=
\frac{t(Q_{\mathrm{usable}}>0)}
{t_{\mathrm{total}}}.
$$

---

## 50.7 Thermal Matching Efficiency

$$
\eta_M
=
1-
\frac{B_{\mathrm{avoidable\ destruction}}}
{B_{\mathrm{input}}}.
$$

---

## 50.8 Lifecycle Cost

$$
C_{\mathrm{life}}
=
C_{\mathrm{CAPEX}}
+
C_{\mathrm{OPEX}}
+
C_{\mathrm{maintenance}}
+
C_{\mathrm{replacement}}.
$$

---

# 51. 可證偽命題

## H1 — Thermal Cascade Hypothesis

在具有多溫級熱負載的設施中：

$$
B_{\mathrm{dest,cascade}}
<
B_{\mathrm{dest,independent}}
$$

可在不降低主要服務可靠度的前提下成立。

---

## H2 — Cold Storage Decoupling Hypothesis

加入適當 thermal storage 後：

$$
P_{\mathrm{cooling,peak}}
$$

可以與：

$$
P_{\mathrm{compute,peak}}
$$

部分解耦。

---

## H3 — Temperature-Tagged Resource Hypothesis

以：

$$
(Q,T)
$$

而非單一 $Q$ 表示 thermal inventory，可產生比普通 energy-only scheduler 更低的 total operating cost 或 exergy destruction。

---

## H4 — Heat-Reuse-Aware Scheduling Hypothesis

在存在穩定 heat demand 的地點，將：

$$
V_{\mathrm{heat}}
$$

加入 compute placement，可提高總設施能源利用效率。

---

## H5 — High-Temperature Liquid Cooling Hypothesis

在硬體允許範圍內，提高 coolant return temperature 可以增加 heat-reuse value，且其收益可能大於額外 thermal design cost。

---

## H6 — Multi-Timescale Storage Hypothesis

$$
S_{\mathrm{fast}}
+
S_{\mathrm{mid}}
+
S_{\mathrm{long}}
$$

的組合，在高度變動的 compute load 下，可比單一 storage technology 提供更低的全生命周期成本。

---

## H7 — Exergy-Aware Control Hypothesis

在具有 cryogenic、warm-water 與 heat-reuse 子系統的設施中，以 exergy 為部分 objective 的 controller 可降低高品質 thermal resource 的不必要耗散。

---

# 52. 反例與失敗條件

## 52.1 沒有熱需求

若附近：

$$
Q_{\mathrm{demand}}\approx0,
$$

heat reuse architecture 可能沒有經濟價值。

---

## 52.2 Heat transport 太遠

若：

$$
C_{\mathrm{pipe}}
+
C_{\mathrm{pump}}
+
Q_{\mathrm{loss}}
$$

過高，直接排熱可能更合理。

---

## 52.3 Return temperature 太低

若：

$$
T_{\mathrm{return}}
\approx
T_0,
$$

熱品質過低，升溫成本可能不合理。

---

## 52.4 Storage loss 太大

若：

$$
Q_{\mathrm{loss}}
$$

在目標 storage horizon 上太大，time shifting 失去意義。

---

## 52.5 Thermal cascade 增加太多壓降

更多 heat exchangers 與 routing 可能造成：

$$
P_{\mathrm{pump}}\uparrow.
$$

若增加的 transport work 超過回收收益，則 cascade 不值得。

---

## 52.6 系統複雜度降低可靠性

若：

$$
C_{\mathrm{failure}}
$$

因多層 heat-exchange network 大幅增加，應退回較簡單架構。

---

## 52.7 發電效率太低

若低品位熱直接轉電：

$$
\eta_{\mathrm{power}}
$$

低到無法回收設備與維護成本，就不應採用。

---

# 53. 安全原則

## 53.1 Heat reuse 不可影響 primary cooling safety

如果 heat user 故障：

$$
Q_{\mathrm{reuse}}\rightarrow0,
$$

資料中心仍必須有：

$$
\text{independent heat-rejection path}.
$$

---

## 53.2 Storage 不是 safety sink 的唯一來源

不能假設：

$$
S_c>0
$$

永遠成立。

必須有：

$$
S_c=0
$$

下的 safe operating mode。

---

## 53.3 Cryogenic exergy recovery 不得突破 relief design

任何 recuperation / expansion scheme 都不得妨礙：

- pressure relief；
- emergency venting；
- isolation。

---

## 53.4 External heat customer 不得成為 critical dependency

即使 heat reuse network offline：

$$
\text{compute safety}
$$

仍須保持。

---

# 54. 與 ANCSI 前四篇的關係

ANCSI-01 定義：

$$
\text{AI-native computational-scientific habitat}.
$$

ANCSI-02 定義：

$$
\Theta(\mathbf{x},t).
$$

ANCSI-03 建立：

$$
C(t)
\leftrightarrow
\Theta(t).
$$

ANCSI-04 建立：

$$
\mathcal{G}_{P}
=
\text{physical transport graph}.
$$

本文則加入：

$$
\boxed{
\mathcal{G}_{E}
=
\text{energy-quality routing graph}.
}
$$

因此整體變成：

$$
\text{Compute}
\rightarrow
\text{Thermal Demand}
\rightarrow
\text{Pipe Routing}
\rightarrow
\text{Thermal Cascade}
\rightarrow
\text{Storage / Reuse / Rejection}.
$$

---

# 55. 與 ANCSI-06 的銜接

當系統開始決定：

- 哪個 workload 先使用 cold reserve；
- 哪條熱路徑可以改變；
- 哪個 external heat user 可以連接；
- 哪個 storage 可以 discharge；
- 哪個 cryogenic branch 可以啟動；

真正下一個問題就變成：

> 誰有權做這些決策？

因此 ANCSI-06 將正式進入：

$$
\boxed{
\text{AI-native autonomous control and distributed governance}.
}
$$

包括：

- local AI authority；
- site AI；
- multi-cloud federation；
- human governance；
- deterministic safety kernel；
- authorization envelope；
- auditability；
- emergency sovereignty。

---

# 56. 結論

本文提出 ANCSI 的第五個核心命題：

$$
\boxed{
\text{熱與冷不只是廢棄物與成本，而是具有溫級、時間與能量品質的資源。}
}
$$

真正重要的不是最大化：

$$
Q_{\mathrm{reuse}}.
$$

而是降低：

$$
\boxed{
\text{avoidable exergy destruction}.
}
$$

因此一座成熟的 AI 原生計算—科研設施，可能不再只有：

- 電力表；
- PUE；
- 冷卻塔；
- 冷凍機。

它還會有：

$$
\boxed{
\text{Cold Inventory}
}
$$

$$
\boxed{
\text{Heat Inventory}
}
$$

$$
\boxed{
\text{Exergy Inventory}
}
$$

以及：

$$
\boxed{
\text{Thermal Routing State}.
}
$$

CERN 的大型低溫工程已經證明：

> 對極低溫系統，最大的熱負載應盡可能在較高溫級被攔截，而不是全部推進最昂貴的低溫級 [5]。

OCP 的 Heat Reuse project 則證明：

> 對資料中心，排出的熱本身已經開始被正式視為可設計、可利用與可產生經濟價值的能源流 [1][8][9]。

NREL / DOE 的 Cold UTES 研究進一步證明：

> 「儲存冷量、延後使用」已經是一條現實的資料中心與電網整合研究路徑 [6][7]。

ANCSI-05 所提出的新命題，是將這三種思想統合：

$$
\boxed{
\text{stage}
+
\text{store}
+
\text{route}
+
\text{reuse}.
}
$$

最終設施不再只問：

> 現在有多少熱需要丟掉？

而會問：

> 這一份熱或冷具有什麼溫度、什麼 exergy、什麼保存時間、什麼後續用途，以及在哪個時間與哪個節點使用它最合理？

也就是：

$$
\boxed{
\textbf{Thermodynamics becomes a schedulable resource system.}
}
$$

---

# 參考文獻

[1] Open Compute Project. *Heat Reuse*.  
https://www.opencompute.org/community/heat-reuse

[2] Gardiner, D., Van Geet, O., Comella, J., & Ramakrishnan, B. (2026). *Seizing Data Center Heat Reuse Opportunities: Open Compute Project Foundation Guidelines for Local Authorities*. Open Compute Project Foundation.  
https://www.opencompute.org/blog/seizing-data-center-heat-reuse-opportunities-open-compute-project-foundation-guidelines-for-local-authorities

[3] Lebrun, P. (2003). *Large Cryogenic Helium Refrigeration System for the LHC*. CERN LHC Project Report 629.  
https://cds.cern.ch/record/605468

[4] Lebrun, P., et al. *LHC Cryogenic Refrigeration Capacity at Multiple Temperature Levels*. CERN technical documentation.  
https://cds.cern.ch/record/310033

[5] Lebrun, P., Tavian, L., et al. (1999). *Cryogenics for the Large Hadron Collider*. CERN LHC Project Report 338.  
https://cds.cern.ch/record/411139

[6] National Renewable Energy Laboratory. (2025). *Reducing Data Center Peak Cooling Demand and Energy Costs With Underground Thermal Energy Storage*.  
https://www.nrel.gov/news/program/2025/reducing-data-center-peak-cooling-demand-and-energy-costs-with-underground-thermal-energy-storage.html

[7] U.S. Department of Energy. *Geothermal and Data Centers*.  
https://www.energy.gov/hgeo/geothermal/geothermal-and-data-centers

[8] Open Compute Project. (2025). *Reference Designs for Data Center Heat Reuse, v0.1*.  
https://www.opencompute.org/documents/2025-03-18-ocp-heatreuse-wp-referencedesigns-v0-1-pdf

[9] Open Compute Project. *Cooling Environments / Heat Reuse Wiki*.  
https://www.opencompute.org/wiki/Cooling_Environments/Heat_Reuse

[10] Claudet, S., Lebrun, P., Tavian, L., & Wagner, U. (2010). *Exergy Analysis of the Cryogenic Helium Distribution System for the Large Hadron Collider (LHC)*. AIP Conference Proceedings 1218, 1267–1274.  
https://doi.org/10.1063/1.3422294

[11] International Energy Agency. (2026). *Action Plan for the Development of Low-Potential Renewable and Waste Heat Utilisation*.  
https://www.iea.org/policies/31869-action-plan-for-the-development-of-low-potential-renewable-and-waste-heat-utilisation

---

## 文件狀態

本文為 ANCSI 系列第五篇公開命題稿 v0.1。

本文所有數學原始碼僅使用 ` $...$ ` 與 `$$...$$` 作為 canonical delimiter。本文不依賴作者其他私人理論；Thermal Exergy Ledger、Heat-Reuse-Aware Compute Placement、temperature-tagged thermal inventory、Thermal Cascade Graph、Thermal Arbitrage 與 Exergy-Aware Scheduler 均屬由既有熱力學、低溫工程、資料中心 heat reuse 與 thermal-storage 技術向前推導之待驗證工程命題。本文不主張免費能源、永動機或違反熱力學第二定律的能量回收。