M2-PALE: Prozessmining & LLMs erklären hybride Multi-Agent-MCTS–Minimax

Monte‑Carlo‑Tree‑Search (MCTS) ist ein bewährter, samplingsbasierter Suchalgorithmus, der in der Online‑Planung für sequentielle Entscheidungsprobleme unverzichtbar geworden ist. Trotz seiner Erfolge bleibt das Verhalten von MCTS‑Agenten für Entwickler und Anwender schwer nachvollziehbar, weil die erzeugten Suchbäume aus einer Vielzahl von simulierten Zukunftszuständen bestehen und deren Beziehungen komplex sind.

Ein bekanntes Problem des klassischen MCTS ist die stark selektive Baumkonstruktion, die wichtige Züge übersehen und die Agenten anfällig für taktische Fallen machen kann. Um diese Schwäche zu überwinden, fügen die Autoren eine flache, vollbreite Minimax‑Suche in die Rollout‑Phase von Multi‑Agent‑MCTS ein. Dadurch wird die strategische Tiefe erhöht, ohne die Effizienz des Monte‑Carlo‑Ansatzes zu verlieren.

Der neue Rahmen M2‑PALE (MCTS–Minimax Process‑Aided Linguistic Explanations) nutzt Prozessmining‑Techniken – Alpha Miner, iDHM und Inductive Miner – um aus den Ausführungstraces der Agenten zugrunde liegende Verhaltensabläufe zu extrahieren. Anschließend werden diese Prozessmodelle von großen Sprachmodellen (LLMs) in leicht verständliche kausale und distale Erklärungen übersetzt, die die Entscheidungslogik transparent machen.

Die Wirksamkeit des Ansatzes wurde in einer kleinen Schachbrett‑Umgebung demonstriert, wo die hybride Agentenarchitektur erfolgreich eingesetzt und die Erklärungen klar nachvollziehbar waren. Damit bietet M2‑PALE eine skalierbare Basis, um hybride Multi‑Agent‑MCTS–Minimax‑Strategien in immer komplexeren strategischen Domänen zu interpretieren und zu verstehen.