論文の概要: Locked In: Multi-Objective RL for the AI Data Center Build-Out

• arxiv url: http://arxiv.org/abs/2610.35147v1
• Date: Mon, 26 Oct 2026 10:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.82405
• Title: Locked In: Multi-Objective RL for the AI Data Center Build-Out
• Title（参考訳）: ロックイン:AIデータセンター構築のための多目的RL
• Abstract要約: 我々は,多目的マルコフ決定過程として,長方形ビルトアウトを定式化する。 我々は、セミマルコフマネージャとワーカ階層を有する優先条件付き多目的エージェントを用いて、この問題を解決する。 軽量対実ロールアウトモデルを用いて, 長距離動特性の検証を行った。
• 参考スコア（独自算出の注目度）: 3.7354197654171784
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI data center build-out is a multi-trillion-dollar, multi-decade infrastructure program. Yet siting, power procurement, and cooling decisions are still made with static, single-point scoring tools. These tools are evaluated once, on day-zero numbers. This is a poor fit. A site's water, power, and carbon profile drifts substantially over the 10 to 20 year asset life. The governing decisions are also irreversible, and they bind capital and physical plant for years. We formalize long-horizon build-out as a tiered multi-objective Markov decision process. Strategic commitments are gated to discrete windows, incur switching costs, and energize only after source-dependent lead times. Operational dispatch is restricted to capacity that physically exists. We solve the problem with a preference-conditioned multi-objective agent that has a semi-Markov manager and worker hierarchy. The agent recovers a family of policies that a planner can steer across cost, carbon, water, and reliability at inference time. We validate long-horizon dynamics with a lightweight counterfactual rollout model. Across three commitment regimes (irreversible, reversible, and commit-once) on real site data, preference conditioning yields a confirmed, steerable trade-off on both objective pairs in every regime. Imposing lock-in produces a more evenly covered frontier and a far more consistent rate of anticipatory retrofit ahead of a binding water-stress constraint than a freely reversible formulation. Finally, a compact counterfactual dynamics model tracks slow-moving state well. It is measurably outperformed by simple persistence on the water-stress axis. We report this limitation rather than obscure it. We release the environment, agents, baselines, and evaluation harness. All of them are grounded in real interconnection-queue, water-stress, and grid-emissions data.
• Abstract（参考訳）: AIデータセンターのビルトアウトは、数十億ドル規模の多層インフラプログラムである。 しかし、座ること、電力調達、冷却の決定は、静的でシングルポイントのスコアリングツールで行われます。 これらのツールは、ゼロの日数で一度評価される。 これは不適当だ。 サイトの水、電力、炭素プロファイルは、10年から20年の資産生活で大きく変動している。 統治決定は不可逆であり、何年もの間資本と物理的な植物を束縛している。 我々は,多目的マルコフ決定過程として,長方形ビルトアウトを定式化する。 戦略的なコミットメントは、個別のウィンドウに委ねられ、切り替えコストを発生させ、ソース依存のリードタイム後にのみエネルギズされる。 運用ディスパッチは物理的に存在する能力に制限される。 我々は、セミマルコフマネージャとワーカ階層を有する優先条件付き多目的エージェントを用いて、この問題を解決する。 エージェントは、プランナーがコスト、炭素、水、そして推論時に信頼性を乗り越えられるという一連のポリシーを回復する。 軽量対実ロールアウトモデルを用いて, 長距離動特性の検証を行った。 実際のサイトデータ上の3つのコミットメントレギュレーション(可逆性、可逆性、コミット・オンス)全体において、選好条件付けは、各レギュレーションにおける両方の目的のペアに対する確認された、ステアブルなトレードオフをもたらす。 ロックインを挿入すると、自由可逆的な定式化よりもより均等に覆われたフロンティアが生成され、結合水ストレス制約よりもはるかに一貫した予測補正率が得られる。 最後に、コンパクトな反ファクトダイナミックスモデルでは、スローモーション状態がよく追跡される。 水ストレス軸上の単純な持続性により測定可能性能が向上する。 我々はこの制限を曖昧にするのではなく報告する。 環境、エージェント、ベースライン、評価ハーネスを解放します。 これら全ては、実際の相互接続キュー、水ストレス、グリッドエミッションデータに基礎を置いている。

関連論文リスト

• The Operable Pareto Front: Distilling Offline Search into Run-Time Control for Multi-Objective UAV Edge-Computing Scheduling [18.65207656799821]
  共同軌道, 関連性, オフロードスケジューリングの問題に対する第1の優先条件決定変換器を提案する。 PrefDTは学習方法の最良のトレードオフ曲線を生成し、飛行中に推進コストが半分上昇するとエネルギー予算を0.6%以内に抑える。
  論文  参考訳（メタデータ） (2026-09-16T01:24:24Z)
• Hard Constraints, Smooth Gradients: Learning Feasible Inventory Policies via Differentiable Projection [0.0]
  混合整数線形プログラム(MILP)は、そのような制約を柔軟に扱えるが、環境ではスケールが不十分である。 ポリシー内に微分可能な凸最適化モジュールを埋め込むことで、このギャップを埋める。 実現可能性の強制は、正確な整数射影に対して誤差が有界であることを示し、実現可能な作用空間全体が到達可能であることを保証する。
  論文  参考訳（メタデータ） (2026-08-03T14:57:21Z)
• Embodied Agents Take Control: Minimal-Interface Zero-Shot Agents Rival Industrial-Scale Policies in Vision-and-Language Navigation [27.261164150282706]
  汎用エージェントがループを単独で維持できることがわかった。 我々は、この組織をエージェント・エンボディド・コントロールと呼びます。 より長い地平線、レイテンシ、コンテキスト成長は、持続的な自律性の障壁であり続けているが、これらの結果は、汎用モデルがナビゲーションポリシーなしで既に競争力のある実施制御を達成可能であることを示している。
  論文  参考訳（メタデータ） (2026-07-28T18:00:34Z)
• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• Single Agent Robust Deep Reinforcement Learning for Bus Fleet Control [9.910562011343009]
  バスの群れは交通と乗客の需要のために都市交通にとって困難である。 バス保持制御のための単エージェント強化学習フレームワークを提案する。 修正されたアクター・クリティは,ベンチマークよりも安定かつ優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-08-28T13:47:40Z)
• Decentralized Aerial Manipulation of a Cable-Suspended Load using Multi-Agent Reinforcement Learning [15.464436616128006]
  本稿では, マイクロ空力車(MAV)チームを用いて, ケーブルサスペンション負荷の実世界の6-DoF操作を可能にする最初の分散化手法を提案する。 提案手法はマルチエージェント強化学習(MARL)を利用して,MAV毎に外部ループ制御ポリシーを訓練する。 本研究では,負荷モデルの不確実性を考慮した実世界の実環境実験において,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-08-02T23:52:33Z)
• Beyond 'Aha!': Toward Systematic Meta-Abilities Alignment in Large Reasoning Models [86.88657425848547]
  大型推論モデル(LRMs)はすでに長い連鎖推論のための潜在能力を持っている。 我々は、自動生成の自己検証タスクを使用して、モデルに推論、帰納、誘拐の3つのメタ能力を持たせることを明確にした。 我々の3つのステージ・パイプラインの個別アライメント、パラメータ空間のマージ、ドメイン固有の強化学習は、命令調整ベースラインと比較して10%以上のパフォーマンス向上を実現します。
  論文  参考訳（メタデータ） (2025-05-15T17:58:33Z)
• Action-Quantized Offline Reinforcement Learning for Robotic Skill Learning [68.16998247593209]
  オフライン強化学習(RL)パラダイムは、静的な行動データセットを、データを収集したポリシーよりも優れたパフォーマンスのポリシーに変換するためのレシピを提供する。 本稿では,アクション量子化のための適応型スキームを提案する。 IQL,CQL,BRACといった最先端のオフラインRL手法が,提案手法と組み合わせることで,ベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-10-18T06:07:10Z)

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。