[논문 리뷰] Multi-Agent Consensus Seeking via Large Language Models

Huaben Chen, Wenkang Ji외 2명|arXiv (Cornell University)|2023. 10. 31.

Multi-Agent Systems and Negotiation인용 수 12

한 줄 요약

이 논문은 다수의 LLM 주도 에이전트가 합의에 도달하기 위해 협상하는 과정을 연구하고, 성격 및 토폴로지 같은 요인을 분석하며, 다중 로봇 집결 응용을 시연한다.

ABSTRACT

Multi-agent systems driven by large language models (LLMs) have shown promising abilities for solving complex tasks in a collaborative manner. This work considers a fundamental problem in multi-agent collaboration: consensus seeking. When multiple agents work together, we are interested in how they can reach a consensus through inter-agent negotiation. To that end, this work studies a consensus-seeking task where the state of each agent is a numerical value and they negotiate with each other to reach a consensus value. It is revealed that when not explicitly directed on which strategy should be adopted, the LLM-driven agents primarily use the average strategy for consensus seeking although they may occasionally use some other strategies. Moreover, this work analyzes the impact of the agent number, agent personality, and network topology on the negotiation process. The findings reported in this work can potentially lay the foundations for understanding the behaviors of LLM-driven multi-agent systems for solving more complex tasks. Furthermore, LLM-driven consensus seeking is applied to a multi-robot aggregation task. This application demonstrates the potential of LLM-driven agents to achieve zero-shot autonomous planning for multi-robot collaboration tasks. Project website: windylab.github.io/ConsensusLLM/.

연구 동기 및 목표

• LLM 주도 에이전트가 에이전트 간 협상을 통해 합의에 도달할 수 있는지 조사한다.
• 합의 과정에서 사용되는 일반적인 전략(예: 평균)과 편차를 식별한다.
• 에이전트의 성격과 네트워크 토폴로지가 협상 결과에 어떤 영향을 미치는지 검토한다.
• 에이전트 수가 합의의 안정성과 변동성에 어떤 영향을 미치는지 평가한다.
• 제로샷 플래닝으로 다중 로봇 집집 작업에의 적용 가능성을 시연한다.

제안 방법

• 초기 무작위 수치 상태를 가진 GPT-3.5-turbo-0613로 구동되는 n개의 에이전트를 모델링한다.
• 각 라운드마다 에이전트가 다음 상태를 결정하기 위해 Reasoning과 Position을 출력하도록 한다.
• 자발적 합의 행동을 관찰하기 위해 명시적 전략 지시를 피한다.
• 고집스럽거나 암시적인 에이전트를 만들기 위해 성격 프롬프트를 다양화하고 효과를 관찰한다.
• 정보 흐름을 연구하기 위해 완전 연결, 부분 연결, 방향성 있는 서로 다른 네트워크 토폴로지를 테스트한다.
• 에이전트 수와 temperature가 최종 합의에 미치는 영향을 분석하기 위해 몬테카를로 시뮬레이션을 수행한다.

실험 결과

연구 질문

• RQ1 다수의 LLM 주도 에이전트가 협상을 통해 자율적으로 공통의 합의 값을 도달할 수 있는가?
• RQ2 에이전트가 수렴하는 전략은 무엇인가(예: 평균) 그리고 어떤 조건에서 진동이나 군집화가 발생하는가?
• RQ3 성격 특성(고집스러운 vs. 암시적인)과 네트워크 토폴로지가 합의 결과에 어떤 영향을 미치는가?
• RQ4 에이전트 수를 늘리면 최종 합의의 분산과 환각이 감소하는가?
• RQ5 LLM 주도 합의 추구를 실제 다중 로봇 집합 작업에 어떻게 적용할 수 있는가?

주요 결과

• 에이전트는 명시적으로 지시되지 않은 경우 합의를 위해 종종 평균 전략을 사용하며 간헐적인 편차가 있다.
• 성격 영향에는 고집스러운 에이전트가 리더-팔로워 역학을 초래하고 암시적인 에이전트가 상황에 따라 진동이나 더 빠른 정렬을 야기할 수 있다.
• 토폴로지는 수렴 속도와 구조에 영향을 준다: 완전 연결 네트워크는 더 빠르게 수렴하고; 방향 그래프는 리더-팔로워 패턴을 만들고 더 느린 수렴이나 교착 상태를 초래할 수 있다.
• 에이전트 수를 늘리면 일반적으로 최종 합의의 분산이 감소하고 그룹 의사결정을 안정시킬 수 있으며, 온도가 낮아지면(0) 초기 평균값 주위로 더 촘촘한 군집이 형성된다.
• 일부 상황에서는 완전히 암시적인 에이전트 조합에서 진동이 발생할 수 있고, 다수의 고집스러운 에이전트는 서로 다른 상태에서의 군집화를 유발할 수 있다.
• 이 프레임워크는 유클리드 공간에서의 다중 로봇 집적에 적용되며, LLM 기반 기획이 자율적 조정을 좌우할 수 있음을 보여준다.