AI解説

出版社版: https://doi.org/10.1109/CANDARW68385.2025.00035（大阪大 伊達研。endo2022consideration の後続） 情報源: 本文（IEEE、要 PDF）を入手できていない。本ノートはアブストラクトの範囲のみで書いており、アブストに無い具体（状態・行動・報酬の定義、PCN の内部手続き）は記載していない（本文未取得）。

一言で

スパコンのクラウドバースティング（CB：オンプレを on-demand のクラウドで弾力的に拡張する）の方策を、Pareto Conditioned Networks (PCN) で学習する研究。CB にはジョブ待ち時間とクラウド コストのトレードオフがあり、相反する目的のバランスが課題。従来の重み付きスカラー化による単目的の手法の限界を踏まえ、PCN で多様な（Pareto 最適な）バースティング方策を探る。

背景・問題（アブストラクトの範囲）

科学計算・AI ワークロードの拡大で HPC 需要が急増し、ピーク時には資源競合でジョブ待ち時間が長くなる。Cloud Burstingは実用的な解だが、待ち時間とクラウド コストという相反する目的のトレードオフを生む。これを効果的にバランスさせるのが大きな課題。

提案手法・結果（アブストラクトの範囲）

• 従来の重み付きスカラー化に基づく単目的アプローチ（特定の重みでしか方策を得られない）に対し、Pareto Conditioned Networks (PCN) を CB のスケジューリングに適用し、多様な Pareto 最適方策を得ることを狙う。

アブストに無い具体（状態・行動・報酬ベクトルの定義、PCN がリターンで条件付けて教師あり分類に変換する内部手続き、評価指標・比較結果）は本文に依存し、未取得のため記載していない（PCN の一般的説明も本論文の記述ではないため割愛）。

関連研究との関係（メモ）

• endo2022consideration（endo2022consideration）：同じ伊達研の先行。endo が運用視点でクラウドバースティングを検討したのに対し、本研究は方策を多目的強化学習で最適化する。
• Interactive and Urgent HPC（reuther2024interactive、全文精読済み）：HPC のスケジューリング ポリシー（オンデマンド・コスト）の課題を整理するサーベイ。

Q&A

（自分がAIに実際に質問したことだけを Q/A 形式で残す。まだなし。）

自分のコメント

（ここは自分で都度書く欄。例：「待ち時間 vs コストの Pareto を1モデルで」という発想を本文で確認し、自分の移行/バースト方針の切り替えに活かせるか見たい。）