論文の概要: LIFE -- an energy efficient advanced continual learning agentic AI framework for frontier systems
- arxiv url: http://arxiv.org/abs/2604.12874v1
- Date: Tue, 14 Apr 2026 15:23:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.533561
- Title: LIFE -- an energy efficient advanced continual learning agentic AI framework for frontier systems
- Title（参考訳）: LIFE - フロンティアシステムのためのエネルギー効率の高い先進的学習エージェントAIフレームワーク
- Authors: Anne Lee, Gurudutt Hosangadi,
- Abstract要約: 本稿では、モノリシックなトランスフォーマーを超えて、エージェントAIとブレインインインスパイアされたアーキテクチャを、持続可能な適応システムへの補完パスとして強調する。
本稿では,インクリメンタル,フレキシブル,エネルギ効率のよい推論・学習フレームワークLIFEを提案する。
我々はLIFEを特定のクローズドループHPCオペレーションの例に置き、そのようなクラスタ上で実行されているクリティカルなマイクロサービスが経験するレイテンシのスパイクを検出し緩和する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement of AI has changed the character of HPC usage such as dimensioning, provisioning, and execution. Not only has energy demand been amplified, but existing rudimentary continual learning capabilities limit ability of AI to effectively manage HPCs. This paper reviews emerging directions beyond monolithic transformers, emphasizing agentic AI and brain inspired architectures as complementary paths toward sustainable, adaptive systems. We propose LIFE, a reasoning and Learning framework that is Incremental, Flexible, and Energy efficient that is implemented as an agent centric system rather than a single monolithic model. LIFE uniquely combines four components to realize self evolving network management and operations in HPCs. The components are an orchestrator, Agentic Context Engineering, a novel memory system, and information lattice learning. LIFE can also generalize to enable a variety of orthogonal use cases. We ground LIFE in a specific closed loop HPC operations example for detecting and mitigating latency spikes experienced by critical micro services running on a Kubernetes like cluster.
- Abstract（参考訳）: AIの急速な進歩は、ディメンテーション、プロビジョニング、実行といったHPCの使用特性を変化させた。
エネルギー需要が増幅されただけでなく、既存の初歩的な継続的学習能力は、HPCを効果的に管理するAIの能力を制限する。
本稿では、モノリシックなトランスフォーマーを超えて、エージェントAIとブレインインインスパイアされたアーキテクチャを、持続可能な適応システムへの補完パスとして強調する。
本稿では,単一のモノリシックモデルではなくエージェント中心のシステムとして実装された,インクリメンタルでフレキシブルでエネルギー効率のよい推論学習フレームワークLIFEを提案する。
LIFEは4つのコンポーネントを組み合わせて、HPCにおける自己進化型のネットワーク管理と運用を実現する。
コンポーネントはオーケストレータ、エージェントコンテキストエンジニアリング、新しいメモリシステム、情報格子学習である。
LIFEは様々な直交的なユースケースを可能にするために一般化することもできる。
LIFEを特定のクローズドループHPCオペレーションの例に置き、Kubernetesのようなクラスタ上で動作するクリティカルなマイクロサービスが経験するレイテンシのスパイクを検出し緩和します。
関連論文リスト
- Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。
我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。
我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
論文 参考訳（メタデータ） (2026-04-09T06:13:59Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Cognitive Platform Engineering for Autonomous Cloud Operations [0.14658400971135652]
本稿では,センサ,推論,自律行動を直接プラットフォームライフサイクルに統合する次世代パラダイムであるCognitive Platform Engineeringを紹介する。
Terraform、Open Policy Agent、MLベースの異常検出で構築されたプロトタイプ実装では、平均時間から解決時間、リソース効率、コンプライアンスが改善されている。
論文 参考訳（メタデータ） (2026-01-24T18:17:49Z) - Agentic AI for Mobile Network RAN Management and Optimization [0.0]
エージェントAIは、大型AIモデル(LAM)を使用して複雑なシステムを自動化するための新しいパラダイムである。
本稿では,従来のエージェントからエージェントAIへの進化をたどることで,5Gおよび6GネットワークにおけるエージェントAIの継続的な研究に貢献する。
コアデザインパターン(リフレクション、計画、ツールの使用、マルチエージェントのコラボレーション)が説明され、インテリジェントな振る舞いがどのように編成されているかが説明されます。
論文 参考訳（メタデータ） (2025-11-04T12:34:57Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - Flexible Swarm Learning May Outpace Foundation Models in Essential Tasks [0.0]
ファウンデーションモデルはAIを急速に進歩させ、彼らの決定が現実世界のドメインにおける人間の戦略を上回るかどうかという疑問を提起している。
一般的な課題は、複雑なシステムを動的環境に適応させることである。
モノリシックな基盤モデルは、それを克服する上で概念的な限界に直面している、と私たちは主張する。
対話型小型エージェントネットワーク(SAN)の分散アーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-10-07T18:10:31Z) - From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。
静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。
本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
論文 参考訳（メタデータ） (2025-10-07T05:45:25Z) - Adaptive and Resource-efficient Agentic AI Systems for Mobile and Embedded Devices: A Survey [11.537225726120495]
ファンデーションモデルは、断片化されたアーキテクチャをマルチモーダル推論とコンテキスト適応を備えたスケーラブルなバックボーンに統一することで、AIを再構築した。
FMを認知のコアとして、エージェントは自律性、一般化、自己回帰を達成するためにルールベースの振る舞いを超越する。
この調査は、適応的でリソース効率の良いエージェントAIシステムの、最初の体系的な特徴を提供する。
論文 参考訳（メタデータ） (2025-09-30T02:37:52Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳（メタデータ） (2020-03-18T08:45:10Z)
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。