Hierarchical Server Architecture for Agentic Science

Imaginez le monde des supercalculateurs non pas comme un cerveau unique et géant dans une pièce froide, mais comme un univers vaste et chaotique de machines différentes. Certaines sont de massifs supercalculateurs traditionnels (HPC) qui calculent des chiffres pendant des années ; d'autres sont des serveurs cloud flexibles qui peuvent s'activer instantanément ; et d'autres encore sont de minuscules dispositifs « edge » situés juste à côté de capteurs. Pendant des décennies, les scientifiques ont dû être les guides touristiques ultimes, vérifiant manuellement chaque machine pour voir si elle possédait le bon logiciel, assez de mémoire et la bonne vitesse de réseau avant de pouvoir lancer leurs expériences. C'était comme essayer de trouver une clé à molette spécifique dans un garage où chaque outil est étiqueté dans une langue différente.

Entrez dans l'« Agentic Science ». C'est une nouvelle façon de penser où les ordinateurs ne se contentent pas d'attendre des ordres ; ils se parlent entre eux. Au lieu qu'un humain demande : « As-tu un GPU ? », un programme informatique intelligent (un « agent ») peut demander : « J'ai besoin d'exécuter une simulation qui nécessite un type spécifique de carte graphique et 500 gigaoctets de mémoire. Qui peut m'aider ? » Le document que vous allez lire explore comment construire un système où ces agents intelligents peuvent négocier, trouver la machine parfaite et se mettre au travail sans qu'un humain ait besoin de connaître chaque détail de chaque serveur dans le monde.

---

Le service de matchmaking numérique

Dans cet article, Vanessa Sochat et Daniel Milroy du Lawrence Livermore National Laboratory proposent une nouvelle façon d'organiser cet univers chaotique d'ordinateurs. Ils appellent cela une Architecture de Serveur Hiérarchique. Pour comprendre cela, imaginez une immense agence de voyages intergalactique.

Autrefois, si vous vouliez réserver un voyage, vous deviez appeler individuellement chaque compagnie aérienne, chaque hôtel et chaque gare pour demander s'ils avaient une place. Dans le nouveau système décrit ici, vous avez un Hub (l'agence de voyages principale) et une flotte de Secrétaires (des agents travaillant pour les compagnies aériennes). Vous dites au Hub vos besoins : « J'ai besoin d'un vol vers Mars, partant demain, avec un repas végétarien. » Le Hub ne vérifie pas les avions lui-même ; au lieu de cela, il interroge instantanément tous ses Secrétaires en même temps.

Chaque Secrétaire est un assistant intelligent représentant un ordinateur spécifique (un « worker »). Ils possèdent une boîte à outils spéciale qui leur permet de jeter un coup d'œil à l'inventaire de leur propre ordinateur. Ils vérifient : Avons-nous le bon logiciel ? La mémoire est-elle pleine ? Le réseau est-il assez rapide ? Ensuite, ils envoient une proposition au Hub : « Je peux le faire ! » ou « Je suis trop occupé » ou « Je n'ai pas les bonnes pièces ».

Le « Secrétaire de Ressources » et les 51 outils

La magie de ce système réside dans le Secrétaire de Ressources, un morceau de logiciel qui agit comme un traducteur universel. Les auteurs ont construit une bibliothèque de 51 « fournisseurs » différents (des outils qui vérifient des éléments comme le stockage, la mémoire ou les paquets logiciels). Ces outils fonctionnent pour de vrais ordinateurs et même pour des ordinateurs simulés et fictifs.

Considérez ces fournisseurs comme un ensemble de lampes de poche spécialisées. Une lampe de poche vérifie « Slurm » (un gestionnaire de tâches courant), une autre vérifie « Kubernetes » (un gestionnaire de cloud), une autre « Docker » (des conteneurs), et ainsi de suite. Lorsqu'un Agent Secrétaire reçoit une requête, il allume les bonnes lampes de poche pour voir ce qui se trouve réellement dans la pièce. Si un utilisateur demande une version spécifique d'un programme logiciel, l'agent utilise ces outils pour la trouver, plutôt que de simplement deviner.

La grande simulation : 20 000 tests

Pour voir si cette idée fonctionne réellement, les auteurs n'ont pas seulement rêvé ; ils ont lancé une simulation massive. Ils ont créé 200 faux ordinateurs (workers) avec différentes personnalités :

• Archétype HPC : De grands supercalculateurs traditionnels avec des règles strictes.
• Archétype Cloud : Flexibles, variés et parfois désordonnés.
• Archétype Standalone : De petites machines uniques comme un ordinateur portable puissant ou un appareil edge.

Ils ont ensuite généré 19 973 tests de négociation. Dans ces tests, ils ont demandé aux agents de trouver des ressources pour des tâches avec des niveaux de détail variables. Certaines requêtes étaient vagues (« J'ai besoin d'un ordinateur »), tandis que d'autres étaient incroyablement spécifiques (« J'ai besoin d'un ordinateur avec 128 CPU, 1 To de RAM, une vitesse de réseau spécifique et un conteneur nommé 'Singularity' »).

Ce qu'ils ont trouvé : Bons pour dire « Non », délicats pour dire « Oui »

Les résultats étaient un mélange de succès impressionnants et de leçons claires apprises.

La bonne nouvelle : Les agents étaient étonnamment doués pour déterminer si un ordinateur pouvait effectuer une tâche. Ils ont atteint une précision globale de 87,71 %. Cela signifie que lorsqu'ils disaient « Oui, je peux faire ceci » ou « Non, je ne peux pas », ils avaient raison la plupart du temps. Ils étaient particulièrement compétents pour repérer quand un ordinateur ne pouvait pas faire une tâche (comme lorsqu'un logiciel requis manquait).

La mauvaise nouvelle (et le « pourquoi ») : Les agents ont fait des erreurs principalement lorsqu'ils étaient trop confiants. Dans 1 611 cas, l'agent a déclaré qu'un ordinateur était compatible alors qu'il ne l'était pas. Le principal coupable ? Les versions de logiciels.
Imaginez un utilisateur demandant « Python 3.9 ». L'agent pourrait voir « Python 3.9 » installé mais ne pas réaliser que la bibliothèque spécifique nécessaire pour la tâche est en fait la version 3.8. L'agent s'est confondu entre le logiciel principal et ses dépendances. Les auteurs suggèrent que les outils utilisés par les agents doivent être plus précis, en leur donnant les numéros de version exacts plutôt qu'une simple liste générale.

Le problème de la spécificité : Les agents ont le plus de mal avec deux extrêmes :

1. Trop vague : Si un utilisateur disait simplement « J'ai besoin d'un ordinateur » sans préciser de quel logiciel il avait besoin, l'agent n'avait pas assez d'informations pour prendre une bonne décision.
2. Trop spécifique : Lorsque la requête devenait très complexe (comme demander une technologie de conteneur spécifique), les agents se perdaient parfois ou utilisaient la mauvaise « lampe de poche » pour vérifier, entraînant des erreurs.

La course à la sélection : Qui obtient le travail ?

Une fois que les agents ont trouvé les ordinateurs capables de faire le travail, le système devait choisir le meilleur. Les auteurs ont testé leur stratégie de sélection « Agentique » contre 6 stratégies traditionnelles (comme « choisir le premier disponible » ou « choisir le moins cher »).

• Vitesse : Les méthodes traditionnelles étaient extrêmement rapides (prenant moins d'une milliseconde). L'agent IA était plus lent, prenant environ 2,19 secondes par décision. Les auteurs admettent que c'est un compromis : l'IA est plus intelligente mais prend un moment pour réfléchir.
• Coût : L'agent IA était étonnamment efficace pour économiser de l'argent. Il choisissait parfois une machine légèrement plus chère si cela permettait de terminer le travail plus rapidement, une nuance que les règles simples de type « le moins cher d'abord » manquent souvent. Cependant, les auteurs notent que leur simulation n'a pas pleinement pris en compte la rapidité avec laquelle un travail pourrait s'exécuter sur une meilleure machine, ce n'est donc qu'un indice de ce qui est possible.

Le verdict

Ce document ne prétend pas avoir résolu définitivement le problème de l'ordonnancement des ordinateurs. Au lieu de cela, il prouve qu'un système hiérarchique basé sur des agents est un moyen viable de gérer un mélange de différents ordinateurs. Il montre que nous pouvons construire un système où les ordinateurs se parlent pour trouver les bonnes ressources, avec une précision de près de 88 %.

Les auteurs concluent que bien que les « agents secrétaires » soient excellents pour écarter les mauvaises options, ils ont besoin de meilleurs outils pour gérer les versions de logiciels complexes et les requêtes très spécifiques. Ils soulignent également que, bien que l'IA soit plus lente qu'une règle simple, sa capacité à comprendre le contexte et à faire des choix flexibles en fait un outil puissant pour l'avenir de la science. Le système est prêt à être testé dans le monde réel, spécifiquement pour la « Mission Genesis », un projet visant à automatiser la découverte scientifique.

En bref, l'avenir du supercalcul est non seulement de construire de plus grosses machines, mais aussi d'apprendre à ces machines comment parler, négocier et trouver la correspondance parfaite pour chaque tâche, tout en laissant les humains en retrait pour que les agents fassent le gros du travail.