ChatDC：通过大型语言模型生成具备几何感知能力的数据中心数字孪生

《ACM Transactions on Internet of Things》：ChatDC: Geometric-aware Data Center Digital Twin Generation via Large Language Models

数据中心的数字孪生（DT）依赖IoA/IoT架构，但高精度DT生成受限于手动编码复杂几何和领域约束。本文提出ChatDC系统，通过Segment-Generate-Optimize（SGO）流程和专用代码库DCBuild，结合大语言模型实现自动化生成，成功率达98%，平均生成时间缩短10倍，并通过计算流体动力学验证物理合理性。

　　

摘要

现代数据中心依赖于“资产互联网”（IoA），这是一种专门的物联网（IoT）形式。在这些资产中，具备仿真功能的设备不仅包含物理属性，还连接了数据流，用于被动数据收集和主动仿真。数字孪生（DT）是IoA系统的虚拟副本，具有适当的抽象层次，能够整合资产级别的动态模型来模拟整个系统的行为、进行原型设计以及开展假设分析。然而，创建高保真度的数字孪生受到手动编码复杂几何布局和特定领域设计约束的限制。尽管大型语言模型（LLMs）具有自动化潜力，但现有方法由于领域集成能力有限，难以生成在几何上合理且在功能上有效的数字孪生场景。为了解决这一问题，我们提出了ChatDC——一个基于对话的系统，它利用LLMs通过“分段-生成-优化”（SGO）工作流程自动化数字孪生的生成过程。ChatDC通过名为DCBuild的专用代码库整合领域知识，并运用SGO来分解用户指令、生成初始结构，并根据数据中心的设计约束优化布局。评估结果显示，ChatDC在从零开始生成数字孪生的任务中表现优于其他方法，成功率达到了98%，同时将平均生成时间缩短了10倍。消融研究进一步表明，SGO设计最多可将生成成功率提高65%。此外，计算流体动力学模拟验证了这些数字孪生的物理合理性，证实了它们适用于实际分析。