GNN-basierte Heuristiken skalieren Multi-Agent Epistemic Planning

Ein neues Verfahren aus der KI-Forschung nutzt Graph Neural Networks (GNNs), um die Planung von Mehragentensystemen, die sowohl die physische Umgebung als auch die Überzeugungen der Agenten berücksichtigen, deutlich effizienter zu gestalten. Das Konzept des Multi-Agent Epistemic Planning (MEP) verlangt, Zustände als Kripke-Strukturen – also gerichtete, beschriftete Graphen – darzustellen. Diese graphische Natur erschwert die Anwendung herkömmlicher Heuristiken, wodurch die Suche oft in einem exponentiellen Raum ohne Orientierung verläuft und die Lösbarkeit stark eingeschränkt wird.

Durch den Einsatz von GNNs können Muster und relationale Strukturen innerhalb der epistemischen Zustände erfasst werden. Das Netzwerk lernt aus bereits gelösten Planungsfällen, wie weit ein Zustand vom nächsten Ziel entfernt ist, und liefert so präzise Schätzungen der Zustandsqualität. Diese datengetriebenen Heuristiken werden direkt in den Planungsprozess integriert und ermöglichen eine gezielte Navigation durch den Suchraum.

Vergleichende Tests zeigen, dass die GNN‑basierten Heuristiken die Skalierbarkeit von MEP signifikant erhöhen. Im Vergleich zu klassischen Baselines konnten die neuen Methoden komplexere Szenarien bewältigen und die Rechenzeit deutlich reduzieren. Damit eröffnet die Arbeit einen vielversprechenden Ansatz, um die Einsatzmöglichkeiten von Multi-Agenten-Systemen in Bereichen mit hohem Informationsfluss und Bewusstseinsanforderungen zu erweitern.