Sakana AI、マルチエージェント協調の新しい手法を発表

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。