論文の概要: PowerAtlas: Towards Electricity-Computing Co-Scheduling for Power Systems

• arxiv url: http://arxiv.org/abs/2607.26710v1
• Date: Wed, 29 Jul 2026 09:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.617489
• Title: PowerAtlas: Towards Electricity-Computing Co-Scheduling for Power Systems
• Title（参考訳）: PowerAtlas:電力システムのための電力計算協調スケジューリングを目指して
• Abstract要約: PowerAtlasは、電気計算のコスケジューリングのためのフレームワークである。 歴史的インスタンス、ドメイン知識、物理的な制約を統合する。 グリッドの運用ルールとサービスレベルの合意を満たす共同決定を生成する。
• 参考スコア（独自算出の注目度）: 42.32975870695121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of AI workloads is turning data centers into large-scale, volatile, yet spatiotemporally flexible grid loads, creating an urgent need for coordinated electricity-computing scheduling. Under stringent grid constraints, schedules from general-purpose large language models (LLMs) are often infeasible, causing line-flow violations and unserved load. We present PowerAtlas, an LLM-agent framework for electricity-computing co-scheduling that integrates historical instances, domain knowledge, and physical constraints to produce joint decisions satisfying both grid operational rules and the service-level agreements (SLAs) of computing tasks. Working with a provincial power utility in China, we built an experimental electricity-computing network and validated the decision loop on real data-center data; from de-identified operational data we further constructed ECBench, a benchmark of 2,000 scheduling instances with oracle-optimal solutions. Experiments across eleven LLMs demonstrate the effectiveness of PowerAtlas under realistic physical operating conditions, with consistent feasibility and cost gains across three open-weight backbones. Our code is publicly available at https://github.com/JAVA-Jiang/PowerAtlas.
• Abstract（参考訳）: AIワークロードの急速な成長は、データセンターを大規模で揮発性で、時空間的に柔軟性のあるグリッドロードに転換し、コーディネートされた電力計算スケジューリングの緊急的なニーズを生み出している。 厳密なグリッド制約の下では、汎用の大規模言語モデル(LLM)からのスケジュールは、しばしば実現不可能であり、行フローの違反と保存されていない負荷を引き起こす。 我々は、グリッドの運用ルールとコンピューティングタスクのサービスレベル合意(SLA)の両方を満たす共同決定を生成するために、歴史的インスタンス、ドメイン知識、物理的制約を統合する、電力計算協調スケジューリングのためのLLMエージェントフレームワークであるPowerAtlasを紹介する。 中国における地方電力ユーティリティーと連携して、実験的な電力計算ネットワークを構築し、実際のデータセンターデータ上の決定ループを検証しました。 11個のLDMでの実験では、現実的な物理的操作条件下でのPowerAtlasの有効性が示され、3つのオープンウェイトバックボーンで一貫した実現可能性とコスト上昇が示された。 私たちのコードはhttps://github.com/JAVA-Jiang/PowerAtlas.comで公開されています。

関連論文リスト

• Graph Machine Learning: An Opportunity for Power Systems [1.5684489039115146]
  現代の電力システムは、再生可能エネルギー源の統合、分散化、リアルタイム意思決定の必要性によって、運用上の複雑さが増大している。 グラフ機械学習(GML)メソッドは、トポロジ的依存関係を帰納バイアスとして組み込むための自然なフレームワークを提供する。 我々は,GMLと電力システムの交差点で800件近い論文を調査し,予測,状態推定,最適化,制御,故障診断,サイバーセキュリティについて調査した。
  論文  参考訳（メタデータ） (2026-08-17T12:33:46Z)
• Power-Flexible AI Data Centers: A New Paradigm for Grid-Responsive Compute [0.7399816551817894]
  従来の電力系統計画では、大規模コンピューティング施設を柔軟性のないピーク負荷として扱い、コストのかかるインフラのアップグレードとグリッド相互接続の長い遅延につながる。 最近の研究によると、AIクラスタはソフトウェアベースのワークロードオーケストレーションによって、ピーク時の電力消費を削減できる。 粒度の細かいクラスタ電力制御のためのグリッド信号,ワークロードスケジューリング,電力テレメトリを統合したアーキテクチャについて述べる。 130kWのGPUクラスタ上の実世界のデプロイによる実験結果は、優先度ジョブのサービスレベルを保ちながら、高速な負荷削減、持続的な削減、炭素認識操作など、さまざまな形式の柔軟性を示している。
  論文  参考訳（メタデータ） (2026-06-23T19:13:19Z)
• Designing Datacenter Power Delivery Hierarchies for the AI Era [4.15652461187777]
  AIアクセラレータの需要は、ラック電力密度を急速に増加させており、2027年までにはデプロイメント当たり1MWに近づいた。 電力密度が増加するにつれて、異なるターゲット密度のために設計されたデータセンターは、その配信階層が設定したすべての電力を使用できない可能性がある。 本稿では,スループット,電力,コストの計測値を用いたデータセンターの電力供給設計を評価するためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-05-15T17:58:58Z)
• Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing [54.4933359656657]
  本研究は,ランクアウェア交渉に基づくエッジAI駆動型分散タスク割り当てフレームワークを提案する。 ランキング対応の定式化は、最終的に学習目標を再認識し、勝者選択の順序付けに基づく性質に適合する。 その結果, 高負荷下での遅延および期限順守が向上し, より厳密な制約下でのエネルギー効率が向上した。
  論文  参考訳（メタデータ） (2026-05-14T20:38:25Z)
• DCcluster-Opt: Benchmarking Dynamic Multi-Objective Optimization for Geo-Distributed Data Center Workloads [14.834687262955585]
  持続可能な時空間タスクスケジューリングのためのオープンソースの高忠実度シミュレーションベンチマークであるDCcluster-Optを提案する。 AIのワークロードトレース、グリッドカーボンの強度、電力市場、20のグローバルリージョンにわたる天候、クラウド送信コスト、経験的ネットワーク遅延パラメータなど、実世界のデータセットを組み合わせている。 モジュール型報酬システムは、二酸化炭素排出量、エネルギーコスト、サービスレベル合意、水利用の間のトレードオフを明示的に研究することを可能にする。
  論文  参考訳（メタデータ） (2025-10-31T03:07:12Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)
• Towards Efficient Multi-Objective Optimisation for Real-World Power Grid Topology Control [0.1806830971023738]
  グリッドトポロジ制御のための二相・効率的・スケーラブルな多目的最適化(MOO)手法を提案する。 欧州送信システムオペレータ(TSO)であるTenneTの履歴データを用いて,我々のアプローチを検証する。 グリッド運用における現在の渋滞コストと非効率性に基づいて、TSOによる我々のアプローチを採用することで、年間数百万ユーロの節約が期待できる。
  論文  参考訳（メタデータ） (2025-01-24T21:40:19Z)
• DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging Scheduling in Large-scale Networked Facilities [5.78463306498655]
  電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。 現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。 ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
  論文  参考訳（メタデータ） (2023-05-18T14:03:47Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)

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。