論文の概要: Multi-Agent Orchestration for High-Throughput Materials Screening on a Leadership-Class System

• arxiv url: http://arxiv.org/abs/2604.07681v1
• Date: Thu, 09 Apr 2026 01:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.619918
• Title: Multi-Agent Orchestration for High-Throughput Materials Screening on a Leadership-Class System
• Title（参考訳）: リーダーシップクラスにおける高出力材料スクリーニングのためのマルチエージェントオーケストレーション
• Authors: Thang Duc Pham, Harikrishna Tummalapalli, Fakhrul Hasan Bhuiyan, Álvaro Vázquez Mayagoitia, Christine Simpson, Riccardo Balin, Venkatram Vishwanath, Murat Keçeli,
• Abstract要約: 大規模言語モデル(LLM)は、自律的な意思決定において重要な役割を果たす。 我々は,高スループットスクリーニングキャンペーンを編成するスケーラブルで階層的なマルチエージェントフレームワークを提案する。 提案するエージェントフレームワークは,Auroraスーパーコンピュータ上での効率的かつスケーラブルな実行を可能にする。
• 参考スコア（独自算出の注目度）: 1.4669344809969722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Artificial Intelligence (AI) with High-Performance Computing (HPC) is transforming scientific workflows from human-directed pipelines into adaptive systems capable of autonomous decision-making. Large language models (LLMs) play a critical role in autonomous workflows; however, deploying LLM-based agents at scale remains a significant challenge. Single-agent architectures and sequential tool calls often become serialization bottlenecks when executing large-scale simulation campaigns, failing to utilize the massive parallelism of exascale resources. To address this, we present a scalable, hierarchical multi-agent framework for orchestrating high-throughput screening campaigns. Our planner-executor architecture employs a central planning agent to dynamically partition workloads and assign subtasks to a swarm of parallel executor agents. All executor agents interface with a shared Model Context Protocol (MCP) server that orchestrates tasks via the Parsl workflow engine. To demonstrate this framework, we employed the open-weight gpt-oss-120b model to orchestrate a high-throughput screening of the Computation-Ready Experimental (CoRE) Metal-Organic Framework (MOF) database for atmospheric water harvesting. The results demonstrate that the proposed agentic framework enables efficient and scalable execution on the Aurora supercomputer, with low orchestration overhead and high task completion rates. This work establishes a flexible paradigm for LLM-driven scientific automation on HPC systems, with broad applicability to materials discovery and beyond.
• Abstract（参考訳）: 人工知能(AI)とハイパフォーマンスコンピューティング(HPC)の統合は、科学的ワークフローを人間指向パイプラインから自律的な意思決定が可能な適応システムに変換する。 大規模言語モデル(LLM)は自律ワークフローにおいて重要な役割を果たすが、LLMベースのエージェントを大規模にデプロイすることは依然として大きな課題である。 シングルエージェントアーキテクチャとシーケンシャルツールコールは、大規模なシミュレーションキャンペーンの実行時にシリアライズボトルネックとなることが多く、大規模なリソースの並列性を欠いている。 これを解決するために,高スループットスクリーニングキャンペーンを編成するスケーラブルで階層的なマルチエージェントフレームワークを提案する。 我々のプランナー・エグゼクタアーキテクチャは、ワークロードを動的にパーティションし、サブタスクを並列実行エージェント群に割り当てるために中央計画エージェントを使用します。 すべてのエグゼクタエージェントは、Parslワークフローエンジンを介してタスクをオーケストレーションする共有モデルコンテキストプロトコル(MCP)サーバとインターフェースする。 この枠組みを実証するために,我々はオープンウェイトgpt-oss-120bモデルを用いて,大気水分採取のためのCoRE(Computation-Ready Experimental)Metal-Organic Framework (MOF)データベースの高スループットスクリーニングを行った。 提案するエージェントフレームワークは,オーロラのスーパーコンピュータ上で,オーケストレーションのオーバーヘッドが低く,タスク完了率が高い,効率的でスケーラブルな実行を可能にする。 この研究は、HPCシステム上でのLLM駆動の科学的自動化のためのフレキシブルパラダイムを確立し、材料発見などに適用可能である。

関連論文リスト

• Mimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research [2.4251063179584436]
  Mimosaは、タスク固有のマルチエージェントを自動的に合成し、それを反復的に洗練する進化中のマルチエージェントフレームワークである。 Mimosaは完全なオープンソースプラットフォームとしてリリースされ、コミュニティ主導のASRのためのオープンな基盤を提供することを目指している。
  論文  参考訳（メタデータ） (2026-03-30T20:35:57Z)
• Lemon Agent Technical Report [12.663220335253529]
  Lemon Agentは、新しく提案されたAgentCortexフレームワーク上に構築されたマルチエージェントオーケストレータ・ワーカシステムである。 システムには階層的な自己適応型スケジューリング機構が組み込まれており,オーケストレータ層とワーカ層の両方で動作する。 この2層アーキテクチャにより,グローバルタスクコーディネートとローカルタスク実行の相乗的バランスを実現する。
  論文  参考訳（メタデータ） (2026-02-06T10:09:49Z)
• MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era [74.42509044145417]
  MegaFlowは、エージェント環境ワークロードの効率的なスケジューリング、リソース割り当て、きめ細かいタスク管理を可能にする、大規模な分散オーケストレーションシステムである。 エージェントのトレーニングデプロイメントでは、MegaFlowは、高いシステムの安定性を維持しながら、数万の並行エージェントタスクを編成し、効率的なリソース利用を実現しています。
  論文  参考訳（メタデータ） (2026-01-12T13:25:33Z)
• HAWK: A Hierarchical Workflow Framework for Multi-Agent Collaboration [3.2588674134593942]
  マルチエージェントシステムは、クロスプラットフォームの相互運用性、動的タスクスケジューリング、効率的なリソース共有において永続的な課題に直面している。 階層型エージェント (Hawk) は, ユーザ, オペレータ, エージェント, リソースの5つのレイヤから構成され, 16の標準化インターフェースでサポートされているモジュール型フレームワークである。 Hawkはタスク解析、ワークフローオーケストレーション、インテリジェントスケジューリング、リソース呼び出し、データ同期をカバーしたエンドツーエンドパイプラインを提供する。
  論文  参考訳（メタデータ） (2025-07-05T15:03:53Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
  この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。 ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。 ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
  論文  参考訳（メタデータ） (2024-09-02T17:44:10Z)
• Very Large-Scale Multi-Agent Simulation in AgentScope [112.98986800070581]
  我々は,ユーザフレンドリーなマルチエージェントプラットフォームであるAgentScopeの新機能とコンポーネントを開発した。 高いスケーラビリティと高効率を実現するために,アクタをベースとした分散機構を提案する。 また、多数のエージェントを便利に監視し、管理するためのWebベースのインターフェースも提供します。
  論文  参考訳（メタデータ） (2024-07-25T05:50:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。