AtumAI、データセンター制御戦略を検索可能な仕様へコンパイルし、3種類のタスクすべてで人手によるベースラインを上回る

データセンターのスケジューリング、リソーススケーリング、電力管理では通常、専門家がヒューリスティックな戦略を繰り返し設計する。一方、LLMにコントローラーを直接書き換えさせると、容量、レイテンシ、電力などのハード制約が抜け落ちやすい。8月3日に提出されたAtumAIは、こうした作業を「問題のコンパイル」と「戦略探索」の2層に分割し、エージェントをコード生成器から、仕様による制約を受けるシステム最適化ツールへ変えることを目指している。

フロントエンドのDatacenter Task Compilerはまず、自然言語の要件に加え、負荷履歴やプラットフォーム制約などのデータから、型付き中間表現（IR）を構築する。決定変数、最適化目標、制約条件、シミュレーター、評価指標、実行時間の予算をすべて明示する必要がある。ルールベースのcriticは、未定義の変数、単位の不整合、測定不能な制約を拒否し、モデルが数値を独自に捏造することを防ぐ。システムは、容量保護やバースト負荷予測など、タスク間で再利用できるoptimization passも管理し、新しいタスクの要件に応じて選択・具体化する。

バックエンドはLLMに提案させるだけではない。拡散モデルが構造の異なる制御戦略を探索し、進化的アルゴリズムが連続または離散パラメーターを調整する。さらに、サロゲートモデルが有望度の低い候補を事前に除外し、少数の案だけを高忠実度シミュレーターへ送る。論文の自己申告によると、ワークロード配置では、人手によるベースラインと比べて成功率が17%、スケジューリングのスループットが8%向上した。リソーススケーリングではコスト効率が24%向上し、SLO違反率は1.3%に維持された。電力管理では、消費電力を21%削減しながら、スループットを17%向上させた。

エンジニアリング上の価値は、「エージェントが戦略を提案すること」と「戦略が実行可能なコントラクトを満たすこと」を分離し、同一の探索パイプラインを異なる制御問題に利用できる点にある。ただし、論文はコードを公開しておらず、評価も3つの研究環境とチームが設定したシミュレーターを中心に行われている。シミュレーターのバイアス、障害モード、戦略のロールバック、オンライン変更の安定性は、依然として検証されていない。次に注目すべきは、IR、ワークロード、ベースライン実装が公開されるか、そして候補戦略がシャドーデプロイ、形式的に定義された安全境界、実クラスタでの長期テストを通過できるかどうかだ。