Noticias Tecnología - Innovación - Ciencia

add ver todas

Bajo el mar: los centros de data submarinos de Microsoft

Conforme aumenta el número de empresas que adoptan el sistema Cloud, vendedores como Microsoft buscan soluciones para reducir la energía malgastada en el mantenimiento y refrigeramiento de sus servidores. Por ello Microsoft lanza el Proyecto Natick que consiste en establecer un centro de datos submarino con el objetivo de obtener energía y un sistema de refrigeramiento natural del mar. 

Las consecuencias del Proyecto Natick:

  • Fuente de energía renovable – El centro de datos submarino se alimentará de energía mareomotriz generada por las corrientes marinas del fondo del océano. A pesar de que la actividad del servidor incrementará la temperatura del agua que le rodea, las propias corrientes marinas autorregularán la temperatura del mar.
  • Nuevo prototipo de data center – Los centros de datos tradicionales y sus componentes metálicos son muy vulnerables al medio que les rodea. Los investigadores del proyecto Natick han conseguido aislar dentro del centro un aire seco y rico en nitrógeno, lo cual reduce la posibilidad de corrosión. En un centro de datos tradicional el análisis de los conectores y la corrosión se realiza a posteriori cuando el sistema falla, pero este proyecto omite esta fase. El primer año Microsoft espera recoger datos, evaluar la integridad de la estructura y el impacto medioambiental.
  • Autonomía energética – En vez de depender de baterías y generadores como modelos anteriores, el nuevo sistema generará y almacenará la energía mareomotriz incrementando la fiabilidad y la independencia del centro.

Para saber más haz click aquí




NOTICIAS RELACIONADAS

add ver todas

La Luz del sol convierte el CO2 directamente como en...

Según la Agencia Internacional de Energía (AIE), el sector químico es uno de los subsectores industriales más grandes en términos de emisiones directas de CO2.  Estas emisiones provienen en gran medida del combustible que se utiliza como materia prima y no como fuente de energía. Reducir el carbono emitido por el sector requiere nuevos procesos y materias primas, en este sentido, una empresa con sede en Ámsterdam llamada Photanol ha encontrado una solución prometedora para reducir estas emisiones. ¿Cómo logra Photanol reducir las emisiones de CO2? Mediante la optimización de cianobacterias, Photanol ha convertido estas bacterias en minifábricas impulsadas por CO2 y luz solar. A través de la fotosíntesis, estas bacterias producen sustancias químicas útiles, lo que les permite reemplazar materias primas de origen fósil. El proceso de Photanol se puede utilizar para crear cualquier compuesto de carbono. Esto significa que puede hacer que los monómeros se utilicen para diferentes plásticos, ingredientes para detergentes e incluso combustibles, todo en un proceso limpio, renovable y circular. La tecnología de la plataforma de la empresa también significa que el proceso es fácil de escalar. La empresa ha estado trabajando en estrecha colaboración con diversos socios e inversores para construir una planta piloto y expandir su proceso

Intel comprará la startup de transporte urbano inteligente...

Intel ha confirmado su reciente adquisición de Moovit por aproximadamente 900 millones de dólares. Ha sido adquirida para el uso de su tecnología.

Innovación tecnológica en los camiones semi-autónomos...

La industria de camiones no es conocida por ser la más rápida a la hora de adaptarse a las nuevas tecnologías. Eso está a punto de cambiar, Starsky Robotics presentó recientemente su flota de camiones teleoperados controlados por conductores a distancia.

La inteligencia artificial puede detectar signos de...

El uso de machine learning puede detectar los patrones y los primeros síntomas del Alzheimer. El estudio se esta realizando a través de un dispositivo que, instalado en el cuarto de un paciente, se encarga de grabar todo lo que sucede a su alrededor incluyendo los movimientos de la persona.Las consecuencias del uso de machine learning en la detección del Alzheimer:Identificación de enfermos en fase temprana – los dispositivos permiten recoger información e identificar patrones que pueden servir para identificar a futuros pacientes, que podrían comenzar a ser tratados años antes de que aparezcan los síntomas obvios como la perdida de memoria.​Creación de un prueba de diagnostico– actualmente no existe prueba para identificar a los enfermos de Alzheimer y los escáneres de cerebro no se pueden utilizar para identificar esta enfermedad. Sin embargo, el machine learning podría permitir desarrollar una prueba de diagnóstico.Mejora de los ensayos clínicos de los medicamentos – los patrones identificados con machine learning pueden eliminar los dos problemas principales en el desarrollo de nuevos medicamentos para el Alzheimer: el desconocimiento de las causas de la enfermedad y la dificultad de identificar pacientes que se beneficien de la medicación.Para saber más haz click aquí