本稿では、高性能コンピューティング（HPC）タスクスケジューリングの問題を解決するために、ReActフレームワークに基づく大規模言語モデル（LLM）ベースのスケジューラを提案します。従来のヒューリスティックベースの方法（FCFS、SJF）や最適化技術には、動的なワークロードへの適応力が不足しており、複数の目標を同時に最適化できないという制限があります。提案されたLLMベースのスケジューラは、スクラッチパッドメモリを使用してスケジューリング履歴を追跡し、自然言語フィードバックを使用して意思決定を改善し、制約適用モジュールを介して実行可能性と安全性を保証します。 OpenAI の O4-Mini と Anthropic の Claude 3.7 を使用して、さまざまな実際の HPC ワークロードシナリオで評価した結果、LLM ベースのスケジューリングは、複数の目標のバランスを効果的に調整し、自然言語追跡による透明な推論を提供することを確認しました。制約の満足度に優れ、ドメインに特化した学習なしでさまざまなワークロードに適応します。ただし、推論品質と計算オーバーヘッドとの間のトレードオフは、リアルタイム展開の課題として残ります。本論文は,推論能力を持つLLMをHPCスケジューリングに適用した最初の包括的な研究で,多目的最適化の可能性を示すとともに,計算効率の限界を強調する。
