انطلاقة ثورية في التنسيق بين الوكلاء: الشبكات العصبية الهيبرغرافية لحل معضلة المسارات المتعددة

تُعتبر معضلة إيجاد مسارات متعددة للوكلاء (Multi-Agent Path Finding - MAPF) واحدة من أبرز مشكلات التنسيق بين الوكلاء، حيث يُطلب من عدة وكلاء التنقل نحو أهدافهم المحددة دون الاصطدام ببعضهم البعض. الإيجاد الأمثل للحلول لمثل هذه المعضلات معروف بأنه صعب جداً ويُصنف ضمن الفئة NP-hard. لذلك، تم اعتماد أساليب قائمة على التعلم لتخفيف الأعباء الحاسوبية أثناء الفترات الزمنية القصيرة.

تعتمد الأساليب السائدة حاليًا، مثل الشبكات العصبية الرسومية (Graph Neural Networks - GNNs)، عادةً على تبادل الرسائل بين الوكلاء بشكل ثنائي، الأمر الذي يؤدي إلى سلوكيات غير مثالية ومشكلات حادة، وخصوصًا في البيئات الكثيفة حيث يصبح التنسيق الجماعي (أي الأكثر من وكيلين) حاسمًا. على الرغم من أهمية هذه التفاعلات عالية الرتبة، لم تتمكن الأساليب الحالية من استكشافها بشكل كامل.

لتجاوز هذا العائق التمثيلي، نقدم تقنية HMAGAT (Hypergraph Multi-Agent Attention Network)، وهي بنية جديدة تستغل آليات الانتباه فوق الهيبرغرافات الموجهة لتلتقط الديناميات الجماعية بشكل صريح. من خلال التجارب، أثبتت HMAGAT أنها تتبوأ المرتبة الأولى في الحلول القائمة على التعلم لمعضلات MAPF، حيث على الرغم من احتوائها على 1 مليون معامل فقط وتدريبها على بيانات أقل بواقع 100 مرة، إلا أنها تتفوق على النموذج الحالي الذي يحتوي على 85 مليون معامل.

تقود التحليلات المفصلة لقيم الانتباه في HMAGAT إلى إظهار كيف أن تمثيلات الهيبرغراف تساعد في تقليل مشكلة تشتت الانتباه الموجودة في GNNs، وتُظهر تفاعلات معقدة حيث تفشل الأساليب الثنائية. تظهر النتائج أن التحيزات الاستقرائية المناسبة غالبًا ما تكون أكثر أهمية من حجم بيانات التدريب أو عدد المعاملات الصريح في مشاكل الوكلاء المتعددة.