Neural Algorithmic Reasoner verbessern LLM bei Multi-Agenten-Pfadfindung

Die neuesten Erkenntnisse aus der KI-Forschung zeigen, dass große Sprachmodelle (LLM) zwar viele Aufgaben meistern, bei der Multi-Agenten-Pfadfindung (MAPF) jedoch noch hinter den Erwartungen zurückbleiben. MAPF erfordert gleichzeitig präzise Planung und die Koordination mehrerer Agenten, was die Leistungsfähigkeit von LLMs stark belastet.

Um dieses Problem anzugehen, wurde das neue Framework LLM‑NAR vorgestellt. Es kombiniert ein LLM, das speziell für MAPF trainiert ist, mit einem vortrainierten graphenbasierten Neural Algorithmic Reasoner (NAR) und einem Cross‑Attention‑Mechanismus. Durch diese Kombination kann das Modell die strukturellen Informationen des Kartenlayouts besser nutzen und die Koordination der Agenten optimieren.

LLM‑NAR ist das erste Verfahren, das einen NAR nutzt, um Graph Neural Networks (GNN) mit den Karteninformationen zu verknüpfen und so das LLM gezielt zu führen. Dadurch erreicht das System eine deutlich höhere Genauigkeit und Effizienz bei der Pfadfindung.

Die Flexibilität des Ansatzes ermöglicht eine einfache Anpassung an verschiedene LLM‑Architekturen. Sowohl in simulierten als auch in realen Experimenten konnte gezeigt werden, dass LLM‑NAR die bestehenden LLM‑basierten Methoden bei MAPF-Aufgaben deutlich übertrifft.