데이터센터의 효율성은 제어 평면 (control plane) 정책에 달려 있습니다. 이러한 정책을 설계하는 것은 점점 더 어려워지고 있습니다. 하드웨어-소프트웨어 스택은 빠르게 성장하고, 설계 공간은 방대하며 상호 의존적이며, 단일 정책을 프로토타이핑하는 데 수개월이 걸리기 때문입니다. 에이전트 기반 AI (Agentic AI)는 이러한 탐색 과정을 자동화할 것을 약속합니다. 그러나 기존의 방식은 세 가지 측면에서 부족함이 있습니다. 첫째, 비형식적 (not formal)입니다. 구조화되고 검색 가능한 문제 정의가 없기 때문에, 탐색 과정에서 활용할 수 있는 구조가 거의 없으며 엄격한 제약 조건 (hard constraints)이 보장되지 않습니다. 둘째, 전이 가능하지 않습니다 (not transferable). 각 작업이 처음부터 해결되므로, 한 작업에서 학습된 내용이 다음 작업으로 이어지지 않습니다. 마지막으로, 체계적이지 않습니다 (not systematic). LLM을 후보 생성의 유일한 원천으로 의존함으로써 설계 공간의 좁은 영역만을 탐색하고 지역 최적점 (local optima)에 안주하게 됩니다.

우리는 에이전트 기반 AI를 통해 데이터센터 제어 평면 정책을 생성하며, 이 과정을 형식적이고, 전이 가능하며, 체계적으로 만드는 프레임워크인 AtumAI를 소개합니다. 평이한 언어로 기술된 목표로부터, AtumAI는 요청을 충족할 때까지 후보 정책을 자율적으로 제안, 테스트 및 개선합니다. 이는 두 가지 구성 요소를 통해 수행됩니다. 데이터센터 작업 컴파일러 (Datacenter Task Compiler)는 문제 정식화를 자동화합니다. 즉, 요청을 작업의 목표, 제약 조건, 결정 변수 및 평가 방법론에 대한 형식적이고, 기계 검증이 가능하며, 검색 가능한 명세 (specification)로 컴파일합니다. 그다음 진화적 설계 발견 루프 (Evolutionary Design Discovery Loop)가 이 명세를 탐색하며, 확산 모델 (diffusion model), 진화 알고리즘 (evolutionary algorithm), 그리고 대리 모델 (surrogate model)을 통해 LLM 자체를 넘어 탐색 범위를 확장합니다. 이들이 결합되어 새로운 작업을 도입하는 데 걸리는 시간을 수개월의 엔지니어링 작업에서 단순히 설명을 작성하는 수준으로 단축합니다. 우리는 서로 다른 문제 범위, 설계 공간 및 트레이드오프 (trade-offs)를 가진 세 가지 제어 평면 작업인 워크로드 배치 (workload placement), 리소스 스케일링 (resource scaling), 전력 관리 (power management)에서 AtumAI를 평가합니다. 모든 작업에 걸쳐 AtumAI가 생성한 정책은 전문가가 설계한 베이스라인 (baselines)을 지속적으로 능가합니다.