CEDAR: Agent-Orchestrated Tree Search for Goal-Directed Optimization of Complex Systems

Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen zu backen, haben aber kein Rezept. Sie haben nur eine vage Vorstellung: „Er muss fluffig, süß und nicht zu schwer sein.“ In der realen Welt sind viele Dinge – wie etwa das Wachstum einer Stadt, die Ausbreitung eines Virus oder die Reaktion einer Wirtschaft auf ein neues Gesetz – genau wie dieser Kuchen. Sie sind „komplexe Systeme“, was bedeutet, dass sie aus vielen Teilen bestehen, die in Schleifen miteinander kommunizieren. Wenn man eine Sache ändert, wirkt sich das auf überraschende Weise auf das gesamte System aus. Wissenschaftler versuchen seit Jahrzehnten, digitale Modelle dieser Systeme zu bauen, um die Zukunft vorherzusagen, aber es war ein Albtraum. Normalerweise erfordert es einen menschlichen Experten, der sehr spezifischen, schwierigen Code schreibt, und selbst dann ist es, wie die Richtung eines Schiffes zu steuern, indem man rät, in welche Richtung der Wind weht.

Hier kommt eine neue Methode namens CEDAR ins Spiel. Betrachten Sie es als ein Team aus superintelligenten, unermüdlichen Roboter-Köchen, die zusammenarbeiten, um das perfekte Kuchenrezept von Grund auf neu zu erfinden. Anstatt dass ein Mensch den Code schreibt, nutzt CEDAR eine spezielle Art von künstlicher Intelligenz (ein LLM), die als „Richter“ (Judge) und „Editor“ fungiert. Der Editor versucht, das Rezept (den Computercode) umzuschreiben, um den Kuchen besser zu machen, während der Richter das Ergebnis probiert und bewertet. Aber hier ist der magische Trick: Sie raten nicht einfach zufällig. Sie nutzen eine Strategie namens „Monte Carlo Tree Search“, was wie ein Detektiv ist, der ein riesiges, verzweigtes Labyrinth erkundet. An jeder Weggabelung fragt der Detektiv: „Wenn ich diesen Weg gehe, werde ich einen besseren Kuchen finden?“ Dies ermöglicht es dem System, tausende verschiedene Versionen des Rezepts zu erforschen, aus seinen Fehlern zu lernen und Pfade zu finden, auf die ein Mensch vielleicht nie kommen würde. Die Arbeit zeigt, dass dieses Roboter-Team in der Lage ist, ein unordentliches, bestehendes Modell automatisch zu verbessern, um Ziele wie „die Bevölkerung wachsen lassen, aber die Verschmutzung niedrig halten“ zu erreichen, und dies schneller und kreativer als traditionelle Methoden.

Der Roboter-Koch und das Labyrinth der Möglichkeiten

Der Kern dieser Arbeit ist, dass wir KI nutzen können, um komplexe Systeme automatisch zu entwerfen und zu verbessern, bei denen es sich um Modelle von Dingen wie Ökosystemen, Volkswirtschaften oder Populationen handelt. Diese Systeme sind knifflig, da sie voller Rückkopplungsschleifen sind – wo der Output eines Teils zum Input eines anderen wird, was ein Netz aus Ursache und Wirkung schafft, das schwer vorherzusagen ist. Traditionell war der Aufbau dieser Modelle eine langsame, manuelle Aufgabe, die von Experten mit spezialisierter, veralteter Software erledigt wurde. Wenn man das Modell ändern wollte, um zu sehen, was passiert, wenn man eine neue Regel hinzufügt, musste man den Code selbst umschreiben.

CEDAR verändert die Spielregeln, indem es dies in einen autonomen, selbstfahrenden Prozess verwandelt. Es behandelt die Erstellung eines Systemmodells wie ein Erkundungsspiel. Das System wird als ein Stück Python-Code (eine gängige Programmiersprache) dargestellt, der simuliert, wie sich das System im Laufe der Zeit verändert. Das Ziel ist es, eine Version dieses Codes zu finden, die sich so verhält, wie ein Mensch es möchte, wie zum Beispiel: „maximiere das Bevölkerungswachstum bei gleichzeitiger Minimierung der Verschmutzung“.

Um dies zu erreichen, nutzt CEDAR zwei KI-Agenten, die in einer Schleife arbeiten:

1. Der Editor: Diese KI betrachtet den aktuellen Code und die Ergebnisse der Simulation. Sie schlägt dann Änderungen am Code vor. Sie könnte eine Zahl anpassen, eine neue Beziehung zwischen Variablen hinzufügen oder ändern, wie eine Formel funktioniert. Sie agiert wie ein kreativer Koch, der eine neue Zutat ausprobiert.
2. Der Richter: Diese KI führt den neuen Code aus, beobachtet den Verlauf der Simulation und bewertet sie dann anhand des Ziels. Sie vergibt eine Punktzahl für die neue Version und schreibt einen detaillierten Bericht darüber, warum sie gut oder schlecht abgeschnitten hat. Sie agiert wie ein Food-Kritiker, der den Kuchen probiert.

Aber einfach nur zufällige Änderungen auszuprobieren, reicht nicht aus. Hier kommt die Monte Carlo Tree Search (MCTS) ins Spiel. Stellen Sie sich einen Baum vor, bei dem der Stamm Ihr Ausgangsmodell ist. Jedes Mal, wenn der Editor eine Änderung vornimmt, wächst ein neuer Ast. Der MCTS-Algorithmus entscheidet, welche Äste als Nächstes erkundet werden sollen. Er wählt nicht einfach denjenigen aus, der im Moment am besten aussieht; er balanciert das Erkunden neuer, seltsamer Ideen (um verborgene Schätze zu finden) mit dem tieferen Vordringen in die vielversprechendsten Pfade. Dies verhindert, dass das System in einer lokalen „gut genug“-Lösung stecken bleibt, und hilft ihm, wirklich erstaunliche Ergebnisse zu finden.

Die Experimente: Von der Welt-Dynamik zum Bevölkerungswachstum

Der Autor testete CEDAR an zwei Hauptherausforderungen, um zu sehen, ob es tatsächlich funktionieren kann.

Herausforderung 1: Der „World Dynamics“-Kuchen
Der erste Test verwendete ein berühmtes, komplexes Modell namens „World Dynamics“, das die Koevolution von menschlicher Population, natürlichen Ressourcen und Verschmutzung simuliert. Das Originalmodell, das von einem Experten in den 1970er Jahren erstellt wurde, zeigte, dass bei ungesteuertem Verlauf die Bevölkerung wächst, Ressourcen aufgebraucht werden und die Verschmutzung explodiert. Das Ziel für CEDAR war es, dieses Modell so anzupassen, dass ein „Sweet Spot“ gefunden wird, an dem die Bevölkerung wachsen kann, aber die Ressourcen nicht ausgehen und die Verschmutzung niedrig bleibt.

Die Ergebnisse waren beeindruckend. CEDAR fand nicht nur eine kleine Verbesserung, sondern entdeckte völlig neue Wege, das System auszubalancieren. In einem Durchlauf gelang es dem System, die Bevölkerung um das 6,4-fache (von 1,65 Milliarden auf 10,57 Milliarden) über 200 Jahre zu steigestigern, während nur 19,9 % der natürlichen Ressourcen verbraucht wurden und die Verschmutzung extrem niedrig blieb. Dies ist eine massive Verbesserung gegenüber dem Originalmodell, das eine enorme Ressourcenerschöpfung und Verschmutzungspitzen aufzeigte. Die Arbeit stellt fest, dass unterschiedliche KI-„Gehirne“ (wie Claude und GPT-5.1) unterschiedliche Lösungen fanden, was zeigt, dass CEDAR in der Lage ist, eine Vielzahl valider Wege zur Problemlösung zu entdecken, und nicht nur eine einzige Antwort.

Herausforderung 2: Das Rezept vom Kuchen erraten
Die zweite Herausforderung war noch schwieriger. Das Team gab CEDAR ein „Ground Truth“-System – ein komplexes Populationsmodell mit zufälligen, unvorhersehbaren Elementen (wie einer Sterberate, die sich in jedem Schritt zufällig ändert). Sie sagten CEDAR die Formel für dieses System nicht. Stattdessen gaben sie CEDAR eine Aufzeichnung der Populationszahlen über die Zeit und baten es, ein Modell zu erstellen, das diese Aufzeichnungen reproduzieren kann.

Um einen fairen Test zu gewährleisten, verglichen sie CEDAR mit einem Standard-Optimierungstool namens Optuna. Sie gaben Optuna drei verschiedene Hilfestellungen:

• Keine Formeln: Nur zwei einfache Zahlen (Geburten- und Sterberaten).
• Einfache Formeln: Eine grundlegende Rückkopplungsschleife.
• Volle Formeln: Die exakte mathematische Struktur des realen Systems (die bekannte Struktur).

Obwohl CEDAR mit keinerlei Formeln startete (es musste die Struktur selbst erfinden), übertraf es Optuna selbst dann, als Optuna die vollen Formeln (die bekannte Struktur) zur Verfügung hatte. In den Simulationen erreichte CEDAR eine geringere Fehlerrate (L1-Distanz von 2,22) im Vergleich zu Optuna mit vollen Formeln (L1-Distanz von 3,71). Dies deutet darauf darauf hin, dass CEDAR so gut darin ist, den Raum der Möglichkeiten zu erkunden, dass es die zugrunde liegenden Regeln eines Systems allein durch das Betrachten der Daten entschlüsseln kann, ohne dass ein Mensch ihm zuerst die Gleichungen nennen muss.

Warum das wichtig ist (und was es nicht tut)

Die Arbeit legt nahe, dass dieser Ansatz die Modellierung komplexer Systeme wesentlich zugänglicher machen könnte. Anstatt einen PhD in Systemdynamik zu benötigen, um Code zu schreiben, könnte ein Nutzer einfach ein Ziel in natürlicher Sprache beschreiben, und CEDAR würde die schwere Arbeit übernehmen. Es bietet zudem „Interpretierbarkeit“, was bedeutet, dass die KI erklärt, warum sie Änderungen vorgenommen hat. Beispielsweise erklärte die KI im World-Dynamics-Experiment, dass sie den Ressourcenverbrauch um 25–40 % und die Verschmutzung durch die Erzeugung um 30–40 % reduzierte, um ein besseres Gleichgewicht zu erreichen. Diese Erklärungen helfen Menschen zu verstehen, welche Kompromisse die KI eingeht.

Der Autor ist jedoch vorsichtig mit seinen Behauptungen. Er stellt fest, dass, obwohl die Ergebnisse in diesen Simulationen stark sind, die theoretischen Garantien der Methode (der mathematische Beweis, dass sie immer die beste Antwort findet) noch eine offene Frage sind. Er merkt auch an, dass sowohl der „Richter“ als auch der „Editor“ große Sprachmodelle sind, was bedeutet, dass ein kleines Risiko besteht, dass sie sich gegenseitig in ihren Fehlern verstärken könnten, obwohl die Baumstruktur (Tree Search) hilft, dies zu verhindern. Die Arbeit behauptet nicht, dass dies ein gelöstes Problem für alle realen Szenarien ist, sondern vielmehr ein mächtiges neues Werkzeug, das zeigt, dass wir die Entdeckung komplexer Systemverhalten automatisieren können, was zuvor unmöglich war.

Kurz gesagt ist CEDAR wie ein Team von KI-Entdeckern, das eine Karte eines riesigen, unkartierten Waldes (den Raum aller möglichen Systemmodelle) und einen Kompass (das Ziel) besitzt. Anstatt ziellos umherzuwandern, nutzen sie eine kluge Strategie, um die schönsten, nützlichsten Lichtungen zu finden, und entdecken dabei oft Pfade, nach denen ein menschlicher Wanderer niemals gesucht hätte.