論文の概要: AtumAI: A Principled Framework for Agentic Generation of Datacenter Control-Plane Policies

• arxiv url: http://arxiv.org/abs/2608.02569v1
• Date: Mon, 03 Aug 2026 17:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.744378
• Title: AtumAI: A Principled Framework for Agentic Generation of Datacenter Control-Plane Policies
• Title（参考訳）: AtumAI: データセンタコントロールプレーンポリシのエージェント生成のための原則的フレームワーク
• Abstract要約: エージェントAIを用いたコントロールプレーンポリシを生成するフレームワークであるAtumAIを紹介する。 AtumAIは、要求を満たすまで、自律的に候補ポリシーを提案し、テストし、洗練する。 3つの制御プレーンタスクにおいて、専門家が設計したベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 9.93200224309013
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The efficiency of a datacenter rests on its control plane policies. Designing these policies is increasingly hard: the hardware-software stack grows fast, the design space is vast and interdependent, and prototyping a single policy takes months. Agentic AI promises to automate this search. Off the shelf, however, it falls short on three fronts. It is not formal: with no structured, searchable statement of the problem, the search has little structure to exploit and hard constraints are not guaranteed. It is not transferable: each task is solved from scratch, so nothing learned on one task carries to the next. Finally, it is not systematic: relying on the LLM as the sole source of candidates, it explores a narrow slice of the design space and settles into local optima. We introduce AtumAI, a framework that generates datacenter control-plane policies with agentic AI, making the process formal, transferable, and systematic. From a goal stated in plain language, AtumAI autonomously proposes, tests, and refines candidate policies until one satisfies the request. It does so through two components. The Datacenter Task Compiler automates problem formulation: it compiles the request into a formal, machine-checkable, and searchable specification of the task's objectives, constraints, decision variables, and evaluation methodology. The Evolutionary Design Discovery Loop then searches this specification, expanding the search beyond the LLM itself via a diffusion model, an evolutionary algorithm, and a surrogate model. Together, they reduce onboarding a new task from months of engineering to writing its description. We evaluate AtumAI on three control-plane tasks with distinct problem scopes, design spaces, and trade-offs: workload placement, resource scaling, and power management. Across all tasks, the policies generated by AtumAI consistently outperform expert-engineered baselines.
• Abstract（参考訳）: データセンターの効率は、コントロールプレーンポリシーに依存します。 ハードウェアとソフトウェアのスタックは急速に成長し、デザイン空間は広く、相互依存し、1つのポリシーをプロトタイピングするのには何ヶ月もかかります。 Agentic AIはこの検索を自動化することを約束する。 しかし、棚から外れて3つの面に落ちてしまう。 形式的ではない: 問題の構造化された検索可能なステートメントがなければ、検索は利用するための構造がほとんどなく、厳密な制約は保証されない。 それぞれのタスクはスクラッチから解決されるので、ひとつのタスクで学んだことは何もありません。 最後に、それは体系的ではない: LLMを唯一の候補の情報源として頼りにし、設計空間の狭いスライスを探索し、局所的な最適化に落ち着く。 エージェントAIを用いてデータセンタ制御プレーンポリシを生成するフレームワークであるAtumAIを導入し,プロセスの形式化,転送,体系化を実現した。 平易な言語で述べた目標から、AtumAIは、要求を満たすまで、自律的に候補ポリシーを提案し、テストし、洗練する。 2つのコンポーネントを通じて行われる。 Datacenter Task Compilerは、要求を形式的でマシンチェック可能な、検索可能なタスクの目的、制約、決定変数、評価方法論にコンパイルする。 進化的デザイン発見ループ(Evolutionary Design Discovery Loop)はこの仕様を検索し、拡散モデル、進化的アルゴリズム、代理モデルを通じてLLM自身を超えて探索を拡張する。 同時に、エンジニアリングの数ヶ月から説明を書くまで、新しいタスクの実施を減らします。 我々は,AtumAIを,作業負荷配置,リソーススケーリング,電力管理という,異なる問題範囲,設計空間,トレードオフの3つのタスクに対して評価する。 すべてのタスクにおいて、AtumAIが生成したポリシーは、専門家が設計したベースラインを一貫して上回る。

関連論文リスト

• Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution [1.733151600403503]
  大規模言語モデル(LLM)エージェントは、ますます多段階のエンジニアリングと情報処理を自動化する。 彼らはしばしば、最大コンテキストファーストの戦略に従い、ファイルや依存関係を読み取り、一行の編集を小さなコードベースの監査に切り替える。 タスク対応型実行-スコープ推定の欠如を論じる。
  論文  参考訳（メタデータ） (2026-07-14T17:59:31Z)
• Spatial Atlas: Compute-Grounded Reasoning for Spatial-Aware Research Agent Benchmarks [1.5229257192293202]
  空間認識型研究エージェントのための計算基底推論(CGR)を導入する。 CGRは空間認識型研究エージェントの設計パラダイムであり、全ての答え可能なサブプロブレムは決定論的計算によって解決される。 我々は,CGRが解釈可能性を維持しながら競争精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-04-13T22:22:07Z)
• Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
  課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。 SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。 本稿では,この新興領域を体系的に調査する。
  論文  参考訳（メタデータ） (2026-01-15T18:55:03Z)
• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
  本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。 この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
  論文  参考訳（メタデータ） (2024-02-07T01:45:14Z)
• 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)
• Plan, Eliminate, and Track -- Language Models are Good Teachers for Embodied Agents [99.17668730578586]
  事前訓練された大言語モデル(LLM)は、世界に関する手続き的な知識をキャプチャする。 Plan, Eliminate, and Track (PET)フレームワークはタスク記述をハイレベルなサブタスクのリストに変換する。 PETフレームワークは、人間の目標仕様への一般化のために、SOTAよりも15%改善されている。
  論文  参考訳（メタデータ） (2023-05-03T20:11:22Z)

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。