AtumAI：数据中心控制平面策略Agentic生成的原则性框架

数据中心的效率依赖于其控制平面的策略。设计这些策略变得越来越困难：硬件-软件堆栈快速扩展，设计空间广阔且相互依赖，单个策略的原型化需要数月时间。Agentic AI 的自动化搜索能力可以解决这一问题。然而，从货架上获取它时，它在三个方面表现不足。它不是形式化的：没有结构化、可搜索的问题陈述，搜索缺乏结构，硬约束无法保证。它不是可转移的：每个任务都需要从头开始解决，因此从一个任务学到的知识无法转移到下一个任务。最后，它不是系统的：依赖于 LLM 作为唯一的候选来源，搜索局限于设计空间的狭窄部分，导致陷入局部最优。我们介绍 AtumAI，这是一个生成数据中心控制平面策略的 agentic AI 框架，使过程形式化、可转移和系统化。从一个明确的语义声明出发，AtumAI 自动化地提出、测试和优化候选策略，直到一个满足请求的策略被满足。它通过两个组件来实现。数据中心任务编译器自动化问题的表述：它将请求编译成一个形式化、机器可检查和可搜索的任务目标、约束、决策变量和评估方法的规格。然后，进化设计发现环接着搜索这个规格，通过扩散模型、进化算法和代理模型扩展搜索范围，从而超越 LLM 的自身。它们共同将新任务的上手时间从数月缩短到编写其描述。我们在三个控制平面任务上对 AtumAI 进行了评估，这些任务具有不同的问题范围、设计空间和权衡：工作负载放置、资源扩展和电源管理。在所有任务上，AtumAI 生成的策略在所有任务上都优于专家工程基线。