MAC-Flow: Schnelle, effiziente Multi-Agent-Koordination durch Flow-Matching

Mit MAC-Flow wird die Herausforderung der Multi-Agent-Koordination neu definiert. Das neue Framework verbindet die Kraft von Flow-basierten Modellen mit der Geschwindigkeit von dezentralen One‑Step‑Policies und löst damit das klassische Dilemma zwischen tiefgreifender Repräsentation komplexer Kooperationsmuster und Echtzeit‑Effizienz.

Der Ansatz beginnt damit, aus Offline‑Datensätzen eine flussbasierte Darstellung gemeinsamer Agentenverhalten zu lernen. Anschließend wird diese Darstellung in leichtgewichtige, dezentralisierte Policies überführt, die in einem einzigen Schritt ausgeführt werden können. Dadurch bleibt die Koordination erhalten, während die Rechenzeit drastisch reduziert wird.

In umfangreichen Tests – 12 unterschiedlichen Umgebungen und 34 Datensätzen – zeigt MAC-Flow, dass die Inferenzgeschwindigkeit im Vergleich zu diffusion‑basierten Multi‑Agent‑Reinforcement‑Learning‑Methoden um etwa 14,5‑mal schneller ist, ohne dabei die Leistung zu beeinträchtigen. Gleichzeitig liegt die Geschwindigkeit von MAC-Flow nahe an der von bisherigen Gaussian‑Policy‑basierten Offline‑MARL‑Ansätzen.

Diese Ergebnisse markieren einen bedeutenden Fortschritt für Anwendungen, die schnelle, robuste Koordination von mehreren Agenten erfordern, und eröffnen neue Möglichkeiten für die Praxis in Bereichen wie Robotik, autonome Systeme und verteilte Entscheidungsfindung.