Sakana AI、マルチエージェント協調の新しい手法を発表
Sakana AI は、位相幾何学と分散最適化を融合させた「Sheaf-ADMM」フレームワークを発表し、限られた情報を持つ複数のエージェントが協調して複雑な問題を解決する能力を実証した。
キーポイント
新しい協調フレームワークの提案
Sakana AI は、Sheaf-ADMM という新手法により、単一の巨大モデルではなく、限られた視点を持つ複数のエージェントが重なり合うタスクを分担して解決するアプローチを構築した。
透明性の高い協調プロセス
「局所推測」「共通基盤の発見」「合意形成の記憶」という3段階のプロセスを通じて、エージェント間の対話と妥協が可視化され、従来のブラックボックスなメッセージングネットワークとは異なる透明性を確保している。
困難なタスクでの優位性
マルチエージェント数独では93%の成功率を達成し（ベースラインは11%）、ドメインシフト下での画像分類でも86%の精度を維持するなど、単一エージェントや従来手法が失敗する状況で顕著な性能を示した。
通信効率の劇的向上
迷路探索タスクにおいて、従来のメッセージパッシングベースラインと比較して、必要な通信チャネルの次元を8倍削減（5次元対42次元）しながら同等以上の精度を達成し、効率的な協調を実現した。
重要な引用
Most AI models process information as one giant, monolithic block.
Traditional message-passing networks hide their reasoning inside opaque hidden states. Our framework makes coordination completely transparent.
Sheaf-ADMM draws inspiration from two fields with long histories in distributed consensus: ADMM from distributed optimization, and sheaves from applied topology.
影響分析・編集コメントを表示
影響分析
この研究は、AI の主流である単一巨大モデルのパラダイムに対し、生物学的な知能のように分散して協調する新たなアプローチを提示した点で極めて重要です。特に、システムの内部推論プロセスを透明化し、通信効率を劇的に向上させたことは、将来的に大規模で複雑なマルチエージェントシステムを構築・運用する上で重要な指針となるでしょう。
編集コメント
Sakana AI は、従来の「巨大モデル一辺倒」の潮流に対し、生物学的な知能構造に着想を得た分散型アプローチで鮮烈なインパクトを与えています。特に、数学的に厳密な理論（Sheaf theory）を応用して実用的な性能向上と透明性の両立を実現した点は、学術的・産業的な両面で注目すべき成果です。
ICML 2026 で発表予定の論文「Learning Multi-Agent Coordination via Sheaf-ADMM」をご紹介します。
Technical Blog: https://pub.sakana.ai/sheaf-admm/
Full paper: https://arxiv.org/abs/2605.31005
Code: https://github.com/SakanaAI/sheaf
現在の AI モデルは、情報を巨大で単一のブロックとして処理する傾向があります。しかし自然界では、知能は個々の限られた視点しか持たない複数の個人が協力することで発現することが多くあります。
私たちはこの集団的な問題解決の仕組みを研究するため、「Sheaf-ADMM」というフレームワークを開発しました。複雑なタスクを小さな重なり合う部分に分割し、それぞれの部分に 1 つのエージェント（自律主体）を割り当てます。
全体の問題を解決するために、エージェントたちは以下の 3 つのシンプルなステップで交渉を行います：
ローカル推測：各エージェントは自身の限られた視点に基づき、解決策を提案します。
共通基盤の発見：エージェントは直接つながる隣接する他者と通信し、対立を解消します。すべてに合意する必要はありませんが、タスクが重なる境界部分については合意する必要があります。
対立の記憶：もし隣接するエージェント間で合意に至らない場合、その対立に関する記憶を保持します。この記憶が次のラウンドで妥協しようとする動機となり、より真剣な交渉を促します。
私たちは、単独のエージェントでは十分な情報を持たず成功できない問題に対してこの手法を検証しました：
マルチエージェント数独：各エージェントは行、列、または 3x3 のボックスのいずれかしか見ることができません。本フレームワークは 93% の解決率を達成しましたが、パラメータを同等に設定したメッセージパッシングベースラインでは 11% にとどまりました。
画像分類では、キャンバスサイズのドメインシフトをテストした際、標準的な CNN は MNIST において精度が 11% にまで低下しましたが、当手法は 86% を維持しました。
迷路の経路探索では、Sheaf-ADMM はメッセージパッシングベースラインと同等の精度を達成しながら、エージェント間の通信に 5 次元チャネルを使用しています。これはベースラインが必要とする 42 次元と比較して 8 分の 1 のサイズです。
従来のメッセージパッシングネットワークは、推論過程をブラックボックス化した隠れ状態の中に秘匿しています。一方、当フレームワークでは協調プロセスが完全に透明化されています。ローカルなエージェントがいかに議論し、妥協し、最終的にグローバルな合意に至るかを直接確認できます。
Sheaf-ADMM は、分散合意の歴史において長年研究されてきた 2 つの分野から着想を得ています。1 つは分散最適化における ADMM（Alternating Direction Method of Multipliers）、もう 1 つは応用トポロジーにおけるシースです。これらの視点は、現在構築が進む分散型・マルチエージェント AI システムにとって有益な洞察をもたらすと考えられます。
原文を表示
Excited to share our paper, “Learning Multi-Agent Coordination via Sheaf-ADMM” to be presented at ICML 2026.
Technical Blog: https://pub.sakana.ai/sheaf-admm/
Full paper: https://arxiv.org/abs/2605.31005
Code: https://github.com/SakanaAI/sheaf
Most AI models process information as one giant, monolithic block. But in nature, intelligence often comes from a group of individuals working together, where each individual only has a limited view of the world.
We built a framework called Sheaf-ADMM to study how this kind of collective problem-solving works. We divide a complex task into smaller overlapping pieces, and assign one agent to each piece.
To solve the global puzzle, the agents negotiate in three simple steps:
Local Guesses: Every agent looks at its limited view and proposes a solution.
Finding Common Ground: Agents communicate with their direct neighbors to smooth out conflicts. They do not need to agree on everything, but they must agree on the boundaries where their tasks overlap.
Remembering Disagreements: If neighbors cannot agree, they keep a memory of that conflict. This memory forces them to try harder to compromise in the next round.
We tested this on problems where no single agent has enough information to succeed alone:
Multi-Agent Sudoku: Each agent sees only a single row, column, or 3x3 box. The framework achieved a 93% solve rate, while a parameter-matched message-passing baseline scored 11%.
Image Classification: When we tested canvas-size domain shifts, a standard CNN dropped to 11% accuracy on MNIST, while our method retained 86%.
Maze Pathfinding: Sheaf-ADMM matches a message-passing baseline’s accuracy while agents communicate over a 5-dimensional channel, 8x smaller than that required of the baseline (42).
Traditional message-passing networks hide their reasoning inside opaque hidden states. Our framework makes coordination completely transparent. You can watch exactly how local agents debate, compromise, and eventually reach a global consensus.
Sheaf-ADMM draws inspiration from two fields with long histories in distributed consensus: ADMM from distributed optimization, and sheaves from applied topology. We think these perspectives may offer insights for the distributed, multi-agent AI systems increasingly being built today.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み