Sakana AI представила Sheaf-ADMM: новый взгляд на координацию агентов через призму топологии

На конференции ICML 2026 в Сеуле Sakana AI покажет сразу 11 работ. Одна из самых необычных — Sheaf-ADMM, где авторы предлагают взглянуть на координацию агентов иначе, объединив распределённую оптимизацию и алгебраическую топологию.

В чём идея?

Вместо монолитной нейросети авторы рассматривают интеллект ^[1] как распределённую систему. Сложная задача разбивается на перекрывающиеся локальные подзадачи — каждый агент видит лишь свой фрагмент и не может решить задачу в одиночку.

Агенты действуют через итеративный процесс, вдохновлённый ADMM (Alternating Direction Method of Multipliers):

1. Локальное решение — агент предлагает решение для своей части.

2. Согласование с соседями — агенты обмениваются информацией и сглаживают противоречия на пересекающихся границах.

3. Накопление «обид» — если согласия нет, конфликт ^[2] запоминается (через двойственные переменные) и влияет на следующие раунды переговоров.

Ключевое новшество — использование клеточных пучков (cellular sheaves) из теории топологии. Вместо жёсткого требования полного согласия между агентами, пучок определяет, в каких именно проекциях их состояния должны совпадать. Это делает систему гораздо более гибкой.

Что на практике?

Авторы проверили подход на трёх задачах, где информация жёстко ограничена:

• Multi-Agent Sudoku: каждый агент видел только строку, столбец или блок 3×3. Sheaf-ADMM решил 93% задач, тогда как обычный message-passing baseline — лишь 11%.

• Image Classification (MNIST, сдвиг размера холста): обычная CNN падала до 11% точности, метод Sakana AI сохранял 86%.

• Maze Pathfinding: Sheaf-ADMM достиг точности baseline, но использовал 5-мерный канал коммуникации вместо 42-мерного.

Прозрачность вместо чёрного ящика

Пожалуй, самое интересное для практиков — координация в Sheaf-ADMM полностью интерпретируема. В отличие от стандартных архитектур, где всё спрятано в hidden states, здесь можно наблюдать, как локальные агенты «спорят», корректируют решения и приходят к общему результату.

Вопросы к методу

В сообществе уже обратили внимание ^[3] на потенциальные проблемы:

• ADMM традиционно требует выпуклых подзадач, но здесь агенты — нейросети (невыпуклые). В работе не до конца раскрыты вопросы выбора шага и сходимости.

• Остаётся открытым вопрос масштабирования на большие гетерогенные системы и работу в условиях шума.

Тем не менее, сама постановка задачи — создание децентрализованной, интерпретируемой и эффективной координации агентов — выглядит крайне перспективно.

Ссылки по теме:

• Paper на arXiv ^[4]

• Код на GitHub ^[5]

• Блог-пост Sakana AI ^[6]