AIアクセラレータ需要の急増により、データセンターのラック電力密度は2027年までに1MW/デプロイメントに迫る予測が示されている。これは従来の電力供給階層設計を前提とする既存施設にとって深刻な課題となる。異なるターゲット密度向けに設計されたデータセンターでは、供給階層が割り当てた電力をすべて使い切れない「電力ストランディング」が発生し、設備投資の実効効率が大きく低下する。

本研究の核心は、長期的に効率を保つ電力供給階層の設計が、電気的トポロジー、デプロイ粒度、配置ポリシー、電力オーバーサブスクリプション、ワークロード構成の相互依存に左右され、これらが時間とともに進化することにある。クローズドフォーム解析では扱えないこの複雑性に対し、到着・オーバーサブスクリプション・廃棄の現実的シーケンスを通じてスループット、電力、コストを評価するフレームワークを構築した。

フレームワークはGPU・コンピュート・ストレージのデプロイ予測モデルと、Microsoft Azureの本番運用に根ざしたオペレーション要因を組み合わせている。結果として、マルチリソースのストランディングが展開可能容量・実効設備投資・提供性能を実質的に変化させること、ラック・ポッド規模のAIシステムによる密度上昇がこれらの結果をどう形作るかを定量化した。

結論は明確だ。AIデータセンター設計における計画目標は「設置メガワット数」ではなく「時間軸上の展開可能容量(deployable capacity over time)」であるべきだとする。グリッド電力容量がAI時代の希少資源となる中、この指標転換は数百億円規模の設備投資判断に直接影響する。日本でも電力系統制約が強まる中、需要側で展開可能容量を最大化する設計手法は国内DC事業者にとっても参照価値が高い。