論文の概要: Hierarchical Multi-Agent Reinforcement Learning for Carbon-Aware AI Data Centers in Power Distribution Systems
- arxiv url: http://arxiv.org/abs/2607.03324v1
- Date: Fri, 03 Jul 2026 13:41:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.589332
- Title: Hierarchical Multi-Agent Reinforcement Learning for Carbon-Aware AI Data Centers in Power Distribution Systems
- Title（参考訳）: 配電系統における炭素対応AIデータセンターの階層的マルチエージェント強化学習
- Abstract要約: 本稿では,AIDCの堅牢かつ効率的な操作のための階層型炭素認識型マルチエージェント強化学習(CA-MARL)フレームワークを提案する。
このフレームワークは、ワークロードマネージャ(WM)エージェントと、マルチエージェントトランスフォーマー法を用いて訓練された複数のローカルAIDCエージェントとを含む。
提案手法の有効性をIEEE 33ノード電力分配システムを用いて評価した。
- 参考スコア（独自算出の注目度）: 14.662707013330575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Eco-friendly energy management for artificial intelligence data centers (AIDCs) is crucial because of the significant increase in energy consumption-induced carbon emissions from AIDCs resulting from the rapid expansion of AI applications. This paper proposes a hierarchical carbon-aware multi-agent reinforcement learning (CA-MARL) framework for robust and efficient operations of AIDCs under uncertainties while ensuring low-carbon operation of power distribution systems. The framework comprises a workload manager (WM) agent and multiple local AIDC agents trained using a multi-agent transformer method, corresponding to a global AIDC aggregator and a local AIDC operator, respectively. Leveraging AIDC operation data along with nodal carbon intensity (NCI) calculated from the carbon emission flow-integrated distribution system operator problem, the WM agent spatially allocates AI training and inference jobs among all AIDCs. Based on the jobs allocated from the WM agent and NCI information, each AIDC agent schedules economical and eco-friendly operations of the AIDC by performing the following tasks: i) temporal shifting of training jobs, ii) spatial allocation of training graphics processing unit (GPU) blocks and inference GPUs within the AIDC, and iii) control of the supply air temperature of the cooling system. The effectiveness of the proposed framework was assessed using an IEEE 33-node power distribution system.
- Abstract（参考訳）: 人工知能データセンター(AIDC)のエコフレンドリーなエネルギー管理は、AIDCからのエネルギー消費による炭素排出量が大幅に増加し、AI応用の急速な拡大によってもたらされるため、非常に重要である。
本稿では, 配電系統の低炭素運転を確保しつつ, 不確実性下でのAIDCの堅牢かつ効率的な運用を実現するための階層型炭素対応多エージェント強化学習(CA-MARL)フレームワークを提案する。
ワーク負荷マネージャ(WM)エージェントと、グローバルAIDCアグリゲータとローカルAIDC演算子に対応するマルチエージェントトランスフォーマー法を用いて訓練された複数のローカルAIDCエージェントとを備える。
WMエージェントは、全AIDC間でAIDCのトレーニングと推論ジョブを空間的に割り当てる。
WMエージェントとNCI情報から割り当てられたジョブに基づいて、各AIDCエージェントは、以下のタスクを実行することで、AIDCの経済的およびエコフレンドリなオペレーションをスケジュールする。
一 研修業務の時間的シフト
二 AIDC内のグラフィクス処理ユニット(GPU)ブロック及び推論GPUの空間配置
三 冷却システムの供給空気温度の制御
提案手法の有効性をIEEE 33ノード電力分配システムを用いて評価した。
関連論文リスト
- Joint Energy Management and Coordinated AIGC Workload Scheduling for Distributed Data Centers: A Diffusion-Aided Reward Shaping Approach [36.3035973200471]
AIGCサービスプロバイダは、データセンターのエネルギーコストを削減するために、AIGCワークロードを戦略的にスケジュールする必要がある。
本稿では,これらの課題に対処するための共同エネルギー管理と協調型AIGCワークロードスケジューリングフレームワークを提案する。
システムユーティリティ問題は、AIGCサービス収益と運用上のペナルティとコストのバランスをとるために定式化されている。
論文 参考訳（メタデータ） (2026-05-03T09:17:29Z) - 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) - Agentic AI Sustainability Assessment for Supply Chain Document Insights [0.0]
本稿では,エージェント人工知能(AI)を中心としたサプライチェーン運用におけるドキュメントインテリジェンスのための総合的持続可能性評価フレームワークを提案する。
文書集約紙抽出において, 評価可能な環境性能を提供しながら, 自動化効率を向上させるという2つの目的に対処する。
我々は,AI支援型HITLとエージェントAIのシナリオにより,エネルギー消費の最大7倍,二酸化炭素排出量の90-97%,水利用の89-98%を手作業で行うことができることを示した。
論文 参考訳（メタデータ） (2025-11-10T13:38:08Z) - Improving AI Efficiency in Data Centres by Power Dynamic Response [74.12165648170894]
近年、人工知能(AI)の着実に成長が加速し、洗練されたモデルの開発が進められている。
AIの潜在能力を最大限に活用するためには、堅牢で信頼性の高い電力インフラの確保が不可欠だ。
しかし、AIデータセンターは電力に非常に飢えており、彼らの電力管理の問題が注目されている。
論文 参考訳（メタデータ） (2025-10-13T08:08:21Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Hierarchical Multi-Agent Framework for Carbon-Efficient Liquid-Cooled Data Center Clusters [5.335496791443277]
本稿では,Reinforcement Learning (RL) に基づく階層型コントローラを提案するGreen-DCCについて紹介する。
本稿では,複数のデータセンターを同期的に最適化し,デジタル双生児を対象とし,炭素排出量とサステナビリティ指標に基づく様々なRL手法の性能比較を行う。
論文 参考訳（メタデータ） (2025-02-12T12:00:58Z) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳（メタデータ） (2025-01-11T02:32:42Z) - Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。
本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-12-14T06:17:33Z) - SustainDC: Benchmarking for Sustainable Data Center Control [4.159959816797259]
データセンター(DC)のためのマルチエージェント強化学習(MARL)アルゴリズムをベンチマークするためのPython環境セットであるSustainDCを紹介する。
SustainDCは、ワークロードスケジューリング、冷却最適化、補助バッテリー管理などのカスタムDC構成とタスクをサポートする。
SustainDC上での各種MARLアルゴリズムの評価を行い, 各種DC設計, 位置, 気象条件, グリッドカーボン強度, 負荷負荷条件などを検討した。
論文 参考訳（メタデータ） (2024-08-14T22:43:52Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z)
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。