Este documento propone un planificador basado en un modelo de lenguaje a gran escala (LLM) basado en el marco ReAct para abordar problemas de planificación de tareas de computación de alto rendimiento (HPC). Los métodos heurísticos existentes (FCFS, SJF) y las técnicas de optimización carecen de adaptabilidad a cargas de trabajo dinámicas y no pueden optimizar simultáneamente múltiples objetivos. El planificador basado en LLM propuesto utiliza memoria scratchpad para rastrear el historial de planificación, mejora la toma de decisiones mediante retroalimentación en lenguaje natural y garantiza la viabilidad y la seguridad mediante un módulo de aplicación de restricciones. Las evaluaciones en varios escenarios de carga de trabajo de HPC del mundo real utilizando O4-Mini de OpenAI y Claude 3.7 de Anthropic demuestran que el planificador basado en LLM equilibra eficazmente múltiples objetivos y proporciona inferencia transparente mediante el seguimiento del lenguaje natural. Exhibe una excelente satisfacción de las restricciones y se adapta a diversas cargas de trabajo sin aprendizaje específico del dominio. Sin embargo, el equilibrio entre la calidad de la inferencia y la sobrecarga computacional sigue siendo un desafío para la implementación en tiempo real. Este artículo es el primer estudio exhaustivo de la aplicación del LLM inferencial a la programación de HPC, y demuestra su potencial para la optimización de múltiples objetivos al tiempo que destaca las limitaciones de la eficiencia computacional.
