I data center AI consumano come intere nazioni: questa tecnologia potrebbe mettere un freno

Uno dei temi più caldi quando si parla di intelligenza artificiale è indubbiamente il consumo energetico. Proprio in questi giorni abbiamo visto crescere le tensioni negli Stati Uniti, a causa di società di distribuzione sempre più interessate a soddisfare la domanda dei data center, anche a scapito dei cittadini locali: emblematici i casi di Lake Tahoe e dell'acquisizione di Dominion Energy da parte di NextEra. Tuttavia, un gruppo di ricercatori sarebbe riuscito a elaborare una soluzione per ridurre, seppur in maniera marginale, le esigenze energetiche dei data center.

Secondo i dati riportati dai ricercatori dell'Università dell'Illinois Urbana-Champaign, nel 2025 i data center hanno consumato 485 TWh di elettricità e circa il 30% di questa energia è servito esclusivamente per i sistemi di raffreddamento.

Per affrontare il problema, il team ha sviluppato una nuova tecnologia basata su piastre di raffreddamento in rame puro stampate in 3D, progettate con algoritmi matematici avanzati. I risultati mostrano una riduzione superiore al 95% dell'energia richiesta per il raffreddamento rispetto agli approcci tradizionali utilizzati oggi nei grandi impianti dedicati all'AI.

Il problema nasce dall'elevata densità energetica dei moderni acceleratori AI. Un singolo chip NVIDIA GB200 raggiunge infatti un assorbimento di 1.200 watt, equivalenti a circa 28,8 kWh al giorno. La quasi totalità di questa energia si trasforma direttamente in calore a causa dell'effetto Joule, fenomeno inevitabile durante il funzionamento dei semiconduttori.

La situazione diventa ancora più complessa nei grandi cluster AI. I ricercatori citano come esempio il data center Colossus 1 di xAI, struttura che utilizza circa 220.000 GPU con un consumo totale di 300 MW. Senza sistemi di raffreddamento adeguati, il calore prodotto raggiungerebbe livelli incompatibili con il funzionamento dell'hardware.

I tradizionali sistemi ad aria utilizzano dissipatori metallici e potenti ventole per distribuire il calore generato da CPU e GPU. Tuttavia, le nuove generazioni di acceleratori AI hanno raggiunto densità termiche che mettono sotto pressione queste soluzioni. Per questo motivo molte infrastrutture stanno passando al raffreddamento liquido direct-to-chip, tecnologia che utilizza piastre metalliche attraversate da microcanali nei quali scorre il liquido refrigerante.

Le soluzioni oggi disponibili sul mercato privilegiano però semplicità produttiva e costi di fabbricazione. I canali interni dei plate di raffreddamento presentano geometrie relativamente semplici, spesso rettangolari o cilindriche, costruite con leghe di alluminio oppure acciaio inox.

Il documento riportato su EurekAlert, spiega che il gruppo di ricerca statunitense ha deciso invece di riprogettare completamente la struttura interna delle piastre tramite un processo di "ottimizzazione topologica". Gli algoritmi hanno creato configurazioni molto più complesse, con superfici irregolari e appuntite pensate per massimizzare lo scambio termico e ridurre la resistenza al passaggio del liquido refrigerante.

Per realizzare queste geometrie, il team ha utilizzato una tecnica chiamata ECAM (Electrochemical Additive Manufacturing), un sistema di stampa additiva capace di lavorare il rame puro con dettagli compresi tra 30 e 50 micrometri, dimensioni inferiori allo spessore di un capello umano.

Secondo i risultati pubblicati dai ricercatori, i nuovi plate di raffreddamento garantiscono un miglioramento delle prestazioni di raffreddamento fino al 32% rispetto ai sistemi convenzionali. Parallelamente, la perdita di pressione del circuito diminuisce fino al 68%, fattore che riduce sensibilmente l'energia necessaria per il pompaggio del liquido.

Le stime elaborate dal team mostrano scenari particolarmente interessanti nei grandi data center AI. Una struttura da 1 GW basata su raffreddamento ad aria richiede normalmente circa 550 MW aggiuntivi dedicati al raffreddamento. Con la nuova tecnologia, il fabbisogno energetico scenderebbe invece a circa 11 MW.

Questo approccio permetterebbe di abbassare il parametro PUE (Power Usage Effectiveness) fino a circa 1,011, un valore estremamente vicino al limite teorico ideale di 1,0. Oggi i data center hyperscale più efficienti operano generalmente tra 1,1 e 1,3.

I ricercatori precisano che i dati relativi ai grandi impianti derivano ancora da simulazioni e modelli teorici. Non esistono al momento implementazioni operative su scala gigawatt. Nonostante questo, la tecnologia potrebbe offrire vantaggi molto importanti per il futuro dei data center AI, soprattutto considerando la crescita continua della domanda energetica legata all'intelligenza artificiale.