論文の概要: Optimal Resource Utilization for Autonomous Laboratory Orchestrators

• arxiv url: http://arxiv.org/abs/2607.01188v1
• Date: Wed, 01 Jul 2026 17:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:08.004241
• Title: Optimal Resource Utilization for Autonomous Laboratory Orchestrators
• Title（参考訳）: 自律実験室オーケストレータの最適資源利用
• Authors: Austin McDannald, Julia Tisaranni, Howie Joress,
• Abstract要約: 自律的な研究室では、AIエージェントは次の一連の実験を提案する。 利用可能なリソースを最大限に活用してタスクを計画し実行することは、まったく別の問題です。 ここでは、金属-有機合成フレームワークのための自律プラットフォームのための2段階の資源利用手法を実証する。
• 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: In autonomous laboratories, AI agents suggest the next batch of experiments to do. However, planning and executing those tasks taking full advantage of the available resources is a completely different question. This can be challenging when dealing with real-world hardware constraints, especially so when there are multiple instruments with different capacities and throughputs. Here we demonstrate a 2-step method to address resource utilization for our autonomous platform for metal-organic framework synthesis. First, we use constraint programming to find optimal schedules. This finds schedules that minimizes the total time while still satisfying the limitations and capacities of the hardware. Secondly, we use a system of status dependencies for each task, which allows for the robust execution of the optimal schedules.
• Abstract（参考訳）: 自律的な研究室では、AIエージェントは次の一連の実験を提案する。 しかし、利用可能なリソースを完全に活用してこれらのタスクを計画し実行することは、まったく異なる問題である。 これは、現実世界のハードウェア制約を扱う場合、特に、能力とスループットの異なる複数の機器がある場合、これは困難である。 ここでは、金属-有機フレームワーク合成のための自律プラットフォームにおける資源利用に対処する2段階の手法を実証する。 まず、最適なスケジュールを見つけるために制約プログラミングを使用します。 これは、ハードウェアの限界と容量をまだ満たしながら、全体の時間を最小化するスケジュールを見つける。 第2に、各タスクにステータス依存関係のシステムを使用し、最適なスケジュールの堅牢な実行を可能にします。

関連論文リスト

• Capacity Planning and Scheduling for Jobs with Uncertainty in Resource Usage and Duration [11.232441969983672]
  この作業は、オンデマンドグリッドコンピューティング環境におけるキャパシティ計画、リソース要求の推定、ジョブスケジューリングを実行することである。 このアプローチの重要な貢献は、リソース使用量とジョブの持続時間の両方において不確実性を扱うことです。 決定論的推定器とペアサンプリングに基づく制約プログラミングを用いた近似手法を提案する。
  論文  参考訳（メタデータ） (2025-07-01T22:56:08Z)
• Is the GPU Half-Empty or Half-Full? Practical Scheduling Techniques for LLMs [3.7758841366694353]
  文献および実用サービスシステムからスケジューリング手法を調査する。 文献からのスケジューラは、しばしば優れたパフォーマンスを得るが、かなりの複雑さをもたらす。 対照的に、実際のデプロイメントにおけるスケジューラは、しばしばテーブルに簡単にパフォーマンス向上を残しますが、実装、デプロイ、設定が容易です。
  論文  参考訳（メタデータ） (2024-10-23T13:05:46Z)
• FAMO: Fast Adaptive Multitask Optimization [48.59232177073481]
  本稿では,動的重み付け手法であるFast Adaptive Multitask Optimization FAMOを導入する。 この結果から,FAMOは最先端の勾配操作技術に匹敵する,あるいは優れた性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T15:39:54Z)
• Answer-Set Programming for Lexicographical Makespan Optimisation in Parallel Machine Scheduling [18.286430978487388]
  我々は、シーケンス依存のセットアップ時間とリリース日を持つ並列マシン上で、困難なスケジューリング問題に対処する。 個々のマシンを非到達順に配置し、結果として生じるロバスト性を語彙的に最小化する。 実験の結果,ASPは実際にこの問題に対して有望なKRRパラダイムであり,最先端のCPおよびMIPソルバと競合していることがわかった。
  論文  参考訳（メタデータ） (2022-12-18T12:43:24Z)
• Innovations in the field of on-board scheduling technologies [64.41511459132334]
  本稿では、ミッション自律のためのソフトウェアフレームワークに組み込まれた、オンボードスケジューラを提案する。 スケジューラは線形整数プログラミングに基づいており、ブランチ・アンド・カット・ソルバの使用に依存している。 この技術は地球観測のシナリオでテストされており、その性能を最先端のスケジューリング技術と比較している。
  論文  参考訳（メタデータ） (2022-05-04T12:00:49Z)
• Controllable Dynamic Multi-Task Architectures [92.74372912009127]
  本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。 本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
  論文  参考訳（メタデータ） (2022-03-28T17:56:40Z)
• Optimal Task Assignment to Heterogeneous Federated Learning Devices [0.0]
  本研究では,各デバイスがトレーニングに使用するデータ量を制御することにより,フェデレート学習ラウンドの期間を最小化する問題について検討する。 OLARというメイクタイムアルゴリズムを提案し、最適なスケジュールを提供することを示す。 この結果から,OLARは少ない実行時間で最適解を提供することがわかった。
  論文  参考訳（メタデータ） (2020-10-01T07:58:48Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。