論文の概要: Optimal Order of Multi-Agent and General Many-Body Systems

• arxiv url: http://arxiv.org/abs/2606.20485v1
• Date: Thu, 18 Jun 2026 17:03:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:40.006409
• Title: Optimal Order of Multi-Agent and General Many-Body Systems
• Title（参考訳）: 多元多体系と一般多体系の最適順序
• Authors: Jake J. Xia,
• Abstract要約: 本稿では,エージェント動作と集合観察のフィードバックループを用いたマルチエージェントシステム解析のための汎用フレームワークを開発する。 このフレームワークは、2つの基本的なエージェントレベル変数、つまり、エージェントが集合的な結果に与える影響を測定するパワーと、エージェントが観察にどう反応するかを決定する応答関数に基づいて構築されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper develops a general framework for analyzing multi-agent systems with feedback loops between agents actions and collective observations. The framework is built on two fundamental agent-level variables: power, which measures agent influence on collective outcomes, and response functions, which determine how agents react to observations. We derive how macroscopic properties, including total power, useful power, entropy, order, fragility, and mobility, emerge from these two variables of heterogeneous agents. To study the trade off between growth and resilience, we introduce a system-level utility function parameterized by a risk-appetite coefficient and derive an optimal degree of order that balances productivity, stability, and adaptability. The analysis suggests that stronger synchronization can increase collective output but may also increase systemic fragility and reduce mobility. We further argue that order, entropy, information, and useful energy are task-dependent and system-relative concepts whose meanings depend on the objectives of the system. By measuring and designing agent power distributions and response functions, it may be possible to better understand, predict, and optimize collective behavior and identify the conditions under which collective intelligence and optimal order emerge.
• Abstract（参考訳）: 本稿では,エージェント動作と集合観察のフィードバックループを用いたマルチエージェントシステム解析のための汎用フレームワークを開発する。 このフレームワークは、2つの基本的なエージェントレベル変数、つまり、エージェントが集合的な結果に与える影響を測定するパワーと、エージェントが観察にどう反応するかを決定する応答関数に基づいて構築されている。 我々は, この2変数の不均一剤から, 総力, 有用力, エントロピー, 秩序, 不安定性, 移動性などのマクロ特性を導出する。 成長とレジリエンスのトレードオフを研究するため,リスク・アペタイト係数でパラメータ化されたシステムレベルのユーティリティ関数を導入し,生産性,安定性,適応性のバランスをとる最適な順序を導出する。 この分析は、より強い同期は集団出力を増加させるが、システムの脆弱性を高め、モビリティを低下させる可能性があることを示唆している。 さらに、秩序、エントロピー、情報、有用なエネルギーは、システムの目的に依存しているタスクに依存し、システム相対的な概念であると主張する。 エージェントのパワー分布と応答関数を計測、設計することにより、集合的振る舞いをよりよく理解し、予測し、最適化し、集合的知性と最適順序が出現する条件を特定できるかもしれない。

関連論文リスト

• Agentic Hives: Equilibrium, Indeterminacy, and Endogenous Cycles in Self-Organizing Multi-Agent Systems [0.0]
  現在のマルチエージェントAIシステムは、設計時に役割が特定された一定数のエージェントで運用されている。 正式な理論では、エージェントがいつ作成され、破壊され、または再特定されるべきかは定かではない。 我々は,サンドボックス型実行環境を備えた自律型マイクロエージェントの多様性集団を実現するフレームワークであるAgentic Hiveを紹介した。
  論文  参考訳（メタデータ） (2026-02-23T13:22:23Z)
• Guided Collaboration in Heterogeneous LLM-Based Multi-Agent Systems via Entropy-Based Understanding Assessment and Experience Retrieval [35.96356869281219]
  本稿では,強弱系における反直観的現象について述べる。 本稿では,各エージェントの認知状態を動的に調整するエントロピーに基づく適応誘導フレームワークを提案する。 我々のアプローチは、不均一なコラボレーションの有効性と安定性を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-02-14T07:10:04Z)
• Agentic Reasoning for Large Language Models [122.81018455095999]
  推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。 大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。 エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2026-01-18T18:58:23Z)
• Emergent Coordination in Multi-Agent Language Models [2.504366738288215]
  マルチエージェントシステムが高次構造の兆候を示すかどうかをテストするための情報理論フレームワークを提案する。 この情報分解により、マルチエージェントLLMシステムに動的に出現するかどうかを測定することができる。 我々は,エージェントの直接通信を使わずに,単純な推測ゲームを用いた実験に本フレームワークを適用した。
  論文  参考訳（メタデータ） (2025-10-05T11:26:41Z)
• Stochastic Self-Organization in Multi-Agent Systems [28.70691568233268]
  LLM(Large Language Models)に基づくマルチエージェントシステム(MAS)は、単一のLLMの範囲を超えているタスクを解く可能性がある。 通信をオンザフライで適応する応答条件付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-01T09:08:04Z)
• Understanding Action Effects through Instrumental Empowerment in Multi-Agent Reinforcement Learning [39.74025439412935]
  本研究は,政策分布の分析のみでエージェント行動に対する有意義な洞察を抽出できるかどうかを考察する。 知的エージェントが収束器質的価値を追求する傾向にある現象にインスパイアされた我々は、ICV(Intended Cooperation Values)を導入する。 ICVは、その決定(不確実性)と選好の整合性を評価することで、チームメイトの方針に対するエージェントの作用を測定する。
  論文  参考訳（メタデータ） (2025-08-21T15:35:59Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。