Hierarchical Multi-Agent Reinforcement Learning for Carbon-Aware AI Data Centers in Power Distribution Systems

本論文は、AI学習・推論タスクの急増に伴うデータセンター炭素排出を削減するため、階層型マルチエージェント強化学習（CA-MARL）フレームワークを提案している。ワークロード管理エージェント（WM）が複数のデータセンター間での負荷配分を炭素強度に基づいて最適化し、各ローカルAIDCエージェントが訓練ジョブの時間シフト・GPU空間配置・冷却システム制御を実施する構造となっている。[L3]

強化学習による最適化手法は理論的には適切だが、実証はIEEE33ノード配電系統のシミュレーションに限定されており、実運用での効果定量化（カーボン削減率・電力コスト低減率）が抽象化に明記されていない。炭素強度の時系列変動に対するロバスト性評価や、大規模データセンター群での学習収束性に関する数値実証も不足している。[L3]

リチウムイオン電池業界との接点は限定的だが、データセンター向けエネルギー管理システム（EMS）や分散電源・蓄電池との協調制御という観点では、日本企業のスマートグリッド・VPP事業への設計参考値を持つ。ただし投資テーマとしては全固体電池やナトリウムイオン電池などの次世代電池・急速充電との関連性が薄く、短期的な市場インパクトは限定的である。[L3]