협력적 다중 에이전트 계획: 적응형 스킬 합성을 통한 혁신 (COMPASS)

COMPASS는 비전-언어 모델과 동적 스킬 라이브러리를 결합한 혁신적인 다중 에이전트 아키텍처로, SMACv2에서 최대 30% 향상된 승률을 달성하며 다중 에이전트 협업의 새로운 가능성을 제시했습니다.

분산 인공지능의 새로운 지평을 열다: COMPASS

분산 인공지능(AI) 분야는 괄목할 만한 발전을 이루었지만, 다중 에이전트 강화 학습(MARL)을 기반으로 한 협력적 다중 에이전트 시스템 구축에는 여전히 샘플 효율성, 해석력, 전이성 문제가 존재합니다. 기존 학습 기반 방식은 환경과의 광범위한 상호 작용을 필요로 하는 반면, 대규모 언어 모델(LLM)은 제로샷 계획 및 복잡한 추론 능력을 보여주었습니다. 하지만 기존 LLM 기반 접근 방식은 텍스트 기반 관찰에 크게 의존하며, 부분 관측 하에서 다중 에이전트 상호 작용의 비마르코프 특성을 다루는 데 어려움을 겪습니다.

Zhiyuan Li, Wenshuai Zhao, Joni Pajarinen 연구팀은 이러한 한계를 극복하기 위해 COMPASS라는 혁신적인 다중 에이전트 아키텍처를 제시했습니다. COMPASS는 비전-언어 모델(VLM) 과 동적 스킬 라이브러리, 그리고 분산 폐쇄 루프 의사결정을 위한 구조적 통신을 통합합니다. 시연으로부터 부트스트랩된 스킬 라이브러리는 계획자 주도 작업을 통해 진화하여 적응적 전략을 가능하게 합니다. COMPASS는 부분 관측 하에서 다중 홉 통신을 통해 엔티티 정보를 전파합니다.

향상된 StarCraft 다중 에이전트 챌린지(SMACv2)에서의 평가 결과, COMPASS는 대칭 시나리오에서 최첨단 MARL 알고리즘보다 최대 30% 높은 승률을 달성했습니다. 이는 샘플 효율성과 성능 면에서 상당한 향상을 의미하며, 다중 에이전트 시스템의 발전에 중요한 이정표를 제시합니다.

결론적으로, COMPASS는 VLM과 동적 스킬 라이브러리의 시너지 효과와 효율적인 구조적 통신을 통해 다중 에이전트 협업의 새로운 가능성을 열었습니다. 이 연구는 향후 복잡한 다중 에이전트 시스템의 설계 및 개발에 중요한 영향을 미칠 것으로 기대됩니다. 특히, 부분 관측 환경에서의 협업 문제 해결에 대한 새로운 패러다임을 제시하고, 실세계 문제 해결에 대한 적용 가능성을 높였습니다. 앞으로 COMPASS의 발전 방향과 다양한 분야로의 확장 가능성에 주목할 필요가 있습니다.