論文の概要: Accelerated Genetic Programming Hyper-Heuristics for Simulation-Based Scheduling via Agentic AI

• arxiv url: http://arxiv.org/abs/2608.19487v1
• Date: Wed, 19 Aug 2026 22:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.411875
• Title: Accelerated Genetic Programming Hyper-Heuristics for Simulation-Based Scheduling via Agentic AI
• Title（参考訳）: エージェントAIによるシミュレーションに基づくスケジューリングのための高速化された遺伝的プログラミングハイパーヒューリスティックス
• Abstract要約: 本稿では,高性能コンピューティング環境における実世界のプロジェクトスケジューリング作業に対して,ClaudeエージェントAIを用いた体系的アプローチを提案する。 テストランタイムは、出力を変更することなく1,298秒から200秒未満に短縮され、年間400万コア時間(NZ$320,000)が節約された。
• 参考スコア（独自算出の注目度）: 42.44812101223683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Python is widely used in scientific research because it enables rapid development and provides rich ecosystems for data analysis, artificial intelligence (AI), and machine learning. However, customized research code can become prohibitively slow as experiments scale. This challenge is particularly acute in discrete-event project-scheduling simulations, where sequential state updates, nested loops, conditional evaluations, and object-oriented structures limit the benefits of compiled numerical and GPU-accelerated libraries. Addressing these bottlenecks typically requires iterative profiling, refactoring, testing, and validation, yet researchers may lack the time or specialized software-engineering expertise for low-level optimization. This paper presents a systematic refactoring approach using Claude agentic AI on real-world project-scheduling workloads in a high-performance computing (HPC) environment. Guided by representative benchmarks and correctness checks, the agent identifies bottlenecks, implements targeted optimizations, and evaluates their effects, while the researcher retains final control. Testing runtime reduced from 1,298 seconds to under 200 seconds without changing outputs, saving four million core-hours (NZ\$320,000) annually.
• Abstract（参考訳）: Pythonは、迅速な開発を可能にし、データ分析、人工知能(AI)、機械学習のための豊富なエコシステムを提供するため、科学研究で広く利用されている。 しかし、実験規模が大きくなるにつれて、カスタマイズされた研究コードが著しく遅くなる可能性がある。 この課題は、シーケンシャルな状態更新、ネストループ、条件付き評価、オブジェクト指向構造がコンパイルされた数値およびGPUアクセラレーションライブラリの利点を制限する、離散的なプロジェクトスケジューリングシミュレーションにおいて特に深刻である。 これらのボトルネックに対処するには、通常は反復的なプロファイリング、リファクタリング、テスト、バリデーションが必要ですが、研究者たちは低レベルの最適化のために、時間や専門的なソフトウェアエンジニアリングの専門知識を欠いているかもしれません。 本稿では,高性能コンピューティング(HPC)環境における実世界のプロジェクトスケジューリング作業に対して,ClaudeエージェントAIを用いた体系的リファクタリング手法を提案する。 代表的なベンチマークと正当性チェックによってガイドされ、エージェントはボトルネックを特定し、対象とする最適化を実装し、その効果を評価し、研究者は最終的なコントロールを保持する。 テストランタイムは、出力を変更することなく1,298秒から200秒未満に短縮され、年間400万コア時間(NZ\$320,000)が節約された。

関連論文リスト

• MirrorCode: AI can rebuild entire programs from behavior alone [1.052679131856939]
  MirrorCodeは、ソフトウェアプロジェクト全体の再実装に基づく、長期にわたるコーディングベンチマークである。 既存のAIモデルは、すでに複雑なソフトウェアを再実装できる。 我々はAIエージェントが、特に要求が正確に指定された場合に、既に長期のソフトウェアエンジニアリングタスクを完了できることを示します。
  論文  参考訳（メタデータ） (2026-06-29T11:57:32Z)
• Twelve quick tips for designing AI-driven HPC workflows [0.0]
  このガイドは、研究者が効率的でスケーラブルで再現可能なAI駆動型HPCの設計を支援するために設計された12の実用的なヒントを提供する。 環境ポータビリティのためのコンテナ化、ジョブアレイの戦略的展開、明示的なフィードバックループ機構、小さなファイルのためのI/Oといった重要なシステムレベルのボトルネックに対処することで、この記事では、厳格な実行パイプラインから適応的なインテリジェントな計算環境に移行するためのフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-06-05T17:46:32Z)
• AI-Assisted Unit Test Writing and Test-Driven Code Refactoring: A Case Study [0.0]
  本稿では、自動単体テスト生成とその後の安全な反復に符号化モデルを用いるケーススタディを提案する。 数週間ではなく数時間で16,000行近い信頼性の高い単体テストを生成し、クリティカルモジュールで最大78%のブランチカバレッジを実現し、大規模なイテレーションでリグレッションリスクを著しく低減しました。
  論文  参考訳（メタデータ） (2026-04-03T15:54:43Z)
• 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)
• Toward Ultra-Long-Horizon Agentic Science: Cognitive Accumulation for Machine Learning Engineering [59.18634614089481]
  超長距離機械学習工学(MLE)を習得する自律エージェントML-Master 2.0を提案する。 文脈管理を認知的蓄積のプロセスとして考えることで、階層的認知キャッシング(HCC)を導入する。 HCCは、エージェントが短期的な実験戦略から即時実行を分離することを可能にする。 オープンAIのMLE-Benchを24時間予算で評価すると、ML-Master 2.0は56.44%の最先端のメダルを獲得した。
  論文  参考訳（メタデータ） (2026-01-15T13:52:04Z)
• What Artificial Intelligence can do for High-Performance Computing systems? [0.0]
  本稿では、機械学習(ML)や最適化を含む人工(AI)が、運用用HPCシステムの効率をどのように改善するかを評価する。 2019年から2025年までの約1,800の出版物は、事前に定義された包括的・排他的基準を用いて手動で審査された。 74の"AI for HPC"論文は、パフォーマンス推定、パフォーマンス最適化、スケジューリング、サロゲートモデリング、障害検出、言語モデルに基づく自動化の6つのアプリケーション領域にまとめられ、グループ化された。
  論文  参考訳（メタデータ） (2026-01-03T19:25:23Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• The Fast for the Curious: How to accelerate fault-tolerant quantum applications [101.46859364118622]
  我々は、フォールトトレラント量子計算の実行時間を削減するための戦略を評価する。 ハードウェア,フォールトトレランス,アルゴリズム的サブルーチンの共設計が実行時間を短縮する方法について論じる。
  論文  参考訳（メタデータ） (2025-10-30T02:27:55Z)
• Synthetic Code Surgery: Repairing Bugs and Vulnerabilities with LLMs and Synthetic Data [0.0]
  本稿では,Large Language Models(LLMs)を用いた合成データ生成によるAPR(Automated Program repair)の向上手法を提案する。 提案手法は, 合成試料生成と厳密な品質評価という2段階のプロセスを通じて, この制限に対処する。 VulRepairテストセットデータセットの実験評価では、完全予測率の統計的に有意な改善が見られた。
  論文  参考訳（メタデータ） (2025-05-12T09:14:20Z)
• Learning Performance-Improving Code Edits [107.21538852090208]
  本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。 まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。 提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:21Z)

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。