यह शोधपत्र उच्च-प्रदर्शन कंप्यूटिंग (HPC) कार्य निर्धारण समस्याओं के समाधान हेतु ReAct ढाँचे पर आधारित एक बड़े पैमाने के भाषा मॉडल (LLM)-आधारित अनुसूचक का प्रस्ताव करता है। मौजूदा अनुमान-आधारित विधियाँ (FCFS, SJF) और अनुकूलन तकनीकें गतिशील कार्यभार के अनुकूल नहीं हैं और एक साथ कई उद्देश्यों का अनुकूलन नहीं कर सकतीं। प्रस्तावित LLM-आधारित अनुसूचक, शेड्यूलिंग इतिहास को ट्रैक करने के लिए स्क्रैचपैड मेमोरी का उपयोग करता है, प्राकृतिक भाषा प्रतिक्रिया के माध्यम से निर्णय लेने की क्षमता में सुधार करता है, और एक बाधा प्रवर्तन मॉड्यूल के माध्यम से व्यवहार्यता और सुरक्षा सुनिश्चित करता है। OpenAI के O4-Mini और Anthropic के Claude 3.7 का उपयोग करके विभिन्न वास्तविक-विश्व HPC कार्यभार परिदृश्यों पर किए गए मूल्यांकन दर्शाते हैं कि LLM-आधारित अनुसूचक प्रभावी रूप से कई उद्देश्यों को संतुलित करता है और प्राकृतिक भाषा ट्रैकिंग के माध्यम से पारदर्शी अनुमान प्रदान करता है। यह उत्कृष्ट बाधा संतुष्टि प्रदर्शित करता है और डोमेन-विशिष्ट अधिगम के बिना विविध कार्यभारों के अनुकूल हो जाता है। हालाँकि, वास्तविक समय परिनियोजन के लिए अनुमान गुणवत्ता और कम्प्यूटेशनल ओवरहेड के बीच का समझौता एक चुनौती बना हुआ है। यह शोधपत्र, एचपीसी शेड्यूलिंग में अनुमानात्मक एलएलएम के अनुप्रयोग का पहला व्यापक अध्ययन है, जो कम्प्यूटेशनल दक्षता की सीमाओं पर प्रकाश डालते हुए बहु-उद्देश्यीय अनुकूलन के लिए इसकी क्षमता को प्रदर्शित करता है।
