🤖 AI

Tensor-Coord: Algebraic Decomposition of Joint Plan Tensors for Conflict-Free Multi-Agent LLM Planning

यह शोधपत्र Tensor-Coord प्रस्तुत करता है, जो एक मल्टीलीनियर अलजेब्रा फ्रेमवर्क है जो मल्टी-एजेंट योजनाओं को टेंसर के रूप में निरूपित करता है और समन्वय जटिलता को मापने तथा व्याख्यात्मक बाधाओं को उत्पन्न करने के लिए CP/Tucker डिकंपोजिशन का उपयोग करता है, जिससे LLMs को संघर्षों को पुनरावृत्ति से हल करने और मल्टी-रोबोट डिलीवरी कार्यों में संघर्ष-मुक्त योजना की उच्च दर प्राप्त करने में सक्षम बनाया जा सके।

मूल लेखक: Mudit Rastogi

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Mudit Rastogi

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Tensor-Coord" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: "बहुत सारे रसोइयों" वाली दुविधा (The "Too Many Cooks" Dilemma)

कल्पना कीजिए कि आपने एक व्यस्त ऑफिस बिल्डिंग में पैकेज डिलीवर करने के लिए रोबोट्स की एक टीम को काम पर रखा है। आप प्रत्येक रोबोट से पूछते हैं, "अपने पैकेज को गंतव्य तक पहुँचाने के लिए सबसे अच्छा रास्ता क्या है?"

यदि आप उनसे एक-एक करके पूछते हैं, या उन्हें अकेले सोचने देते हैं, तो वे सभी व्यक्तिगत रूप से शानदार योजनाएँ बना सकते हैं। लेकिन जब वे एक ही समय में उन्हें लागू करने की कोशिश करते हैं, तो अराजकता फैल जाती है। रोबोट A और रोबोट B एक ही सेकंड में एक ही संकीर्ण गलियारे से गुजरने की कोशिश कर सकते हैं, जिससे टक्कर हो सकती है। रोबोट C, रोबोट D का रास्ता रोक सकता है, जिससे ट्रैफिक जाम लग सकता है।

लार्ज लैंग्वेज मॉडल्स (LLMs)—जो इन रोबोट्स के पीछे के AI दिमाग हैं—कहानियाँ लिखने या सवालों के जवाब देने में तो बहुत अच्छे हैं, लेकिन इस तरह के मल्टी-एजेंट समन्वय (multi-agent coordination) में वे काफी खराब हैं। वे अक्सर "हैलुसिनेट" (तथ्यों को मनगढ़ंत बनाना) करते हैं या यह भूल जाते हैं कि अन्य एजेंट भी मौजूद हैं, जिससे ये टकराव होते हैं।

समाधान: Tensor-Coord (एक "ट्रैफिक कंट्रोल" सिस्टम)

इस पेपर के लेखकों ने Tensor-Coord नामक एक नया सिस्टम बनाया है। AI को बेहतर योजना बनाने में सक्षम बनाने के बजाय, उन्होंने एक गणितीय "ट्रैफिक कंट्रोल" सिस्टम बनाया है जो रोबोट्स की योजनाओं पर नज़र रखता है, टकराव होने से पहले ही उन्हें पहचान लेता है, और रोबोट्स को उन्हें ठीक करने का तरीका बताता है।

यह कैसे काम करता है, यहाँ चरण-दर-चरण दिया गया है:

1. योजनाओं को "3D क्यूब" में बदलना (The Tensor)

आमतौर पर, एक योजना चरणों की एक सूची होती है (उत्तर की ओर जाएँ, पूर्व की ओर जाएँ, उठाएँ)। Tensor-Coord सभी रोबोट्स की योजनाओं को लेकर उन्हें एक विशाल, 3D गणितीय क्यूब (जिसे Tensor कहा जाता है) में व्यवस्थित करता है।

क्यूब का एक पक्ष रोबोट्स को दर्शाता है।
दूसरा पक्ष समय (चरण 1, चरण 2, चरण 3...) को दर्शाता है।
तीसरा पक्ष कार्रवाइयों (चलना, रुकना, उठाना) को दर्शाता है।

इस क्यूब को एक विशाल स्प्रेडशीट की तरह समझें जहाँ प्रत्येक सेल आपको बताता है कि हर सेकंड हर रोबroट क्या कर रहा है।

2. "जादुई गणित" (Decomposition)

यही इस पेपर का असली राज है। यह सिस्टम उस विशाल क्यूब को छोटे, सरल टुकड़ों में तोड़ने के लिए उन्नत गणित (जिसे CP और Tucker Decomposition कहा जाता है) का उपयोग करता है।

"स्वतंत्र" जाँच (The "Independent" Check): यदि रोबोट्स बिना किसी हस्तक्षेप के अपना काम स्वतंत्र रूप से कर रहे हैं, तो गणित दिखाता है कि उस क्यूब को ठीक उतने ही टुकड़ों में तोड़ा जा सकता है जितने कि रोबोट्स हैं।
"टकराव" का संकेत (The "Conflict" Signal): यदि रोबोट्स आपस में टकरा रहे हैं, तो गणित कहता है, "ठहरिए! जो हो रहा है उसे समझाने के लिए आपको अतिरिक्त टुकड़ों की आवश्यकता है।" सिस्टम इन अतिरिक्त टुकड़ों को गिनता है। जितने अधिक अतिरिक्त टुकड़े चाहिए होंगे, योजना उतनी ही जटिल और टकराव भरी होगी।

उदाहरण: कल्पना कीजिए कि एक कोरस (गायक दल) गाना गा रहा है। यदि हर कोई अपना गाना स्वतंत्र रूप से सही ढंग से गा रहा है, तो संगीत सरल है। लेकिन यदि वे एक-दूसरे के ऊपर चिल्लाने लगते हैं और सुरों का टकराव होता है, तो संगीत एक उलझा हुआ और जटिल शोर बन जाता है। गणित ठीक से मापता है कि वह शोर कितना उलझा हुआ है।

3. टकराव को ढूँढना (The Residual)

एक बार जब सिस्टम योजना को अलग कर देता है, तो वह "बचे हुए" गणित (जिसे Residual कहा जाता है) को देखता है।

यदि कोई रोबोट कुछ ऐसा कर रहा है जो "स्वतंत्र" पैटर्न में फिट नहीं बैठता, तो वह अवशेषों (leftovers) में एक निशान छोड़ देता है।
यदि दो रोबोट एक ही समय और स्थान पर निशान छोड़ते हैं, तो सिस्टम जान जाता है: "बस! ये दोनों यहाँ टकराने वाले हैं।"

इसे यह जानने की ज़रूरत नहीं है कि "रोबोट" या "गलियारा" क्या है। यह केवल टकराव के गणितीय पैटर्न को देखता है।

4. "अनुवादक" (Natural Language Constraints)

एक बार जब सिस्टम को टकराव मिल जाता है, तो यह केवल "Error" नहीं कहता। यह गणित को वापस साधारण अंग्रेजी निर्देशों में अनुवादित करता है।

एक अस्पष्ट "टकराव न करें" कहने के बजाय, यह कहता है: "रोबोट 1, आप चरण 5 पर रोबोट 2 के साथ एक ही गलियारे में हैं। रोबोट 2 वहाँ होगा। आपको 2 सेकंड रुकना चाहिए या दूसरा रास्ता चुनना चाहिए।"

इसके बाद AI इस नई सलाह के साथ अपने मार्ग की पुन: योजना बनाता है। सिस्टम नई योजना की जाँच करता है, और यदि अभी भी टकराव हैं, तो यह प्रक्रिया तब तक दोहराता रहता है जब तक कि रोबोट सुचारू रूप से न चलने लगें।

उन्होंने क्या पाया? (परिणाम)

शोधकर्ताओं ने ग्रिड पर चलते रोबोट्स के साथ एक सिम्युलेटेड डिलीवरी कार्य पर इसका परीक्षण किया।

आसान मोड (2 रोबोट): सिस्टम ने बहुत कम प्रयासों में 100% बार योजनाओं को ठीक किया।
मध्यम मोड (3 रोबोट): यह 80% बार सफल रहा।
कठिन मोड (4 रोबोट): यह 60% बार सफल रहा।
बहुत कठिन मोड (5 रोबोट): जैसे-जैसे रोबोट्स की संख्या बढ़ी और जगह कम होती गई, सिस्टम को अधिक संघर्ष करना पड़ा (केवल 20% सफलता), क्योंकि "ट्रैफिक" इतना घना हो गया था कि वर्तमान नियमों के लिए इसे पूरी तरह से हल करना मुश्किल हो गया।

मुख्य निष्कर्ष: सिस्टम ने यह सिद्ध किया कि इस "3D क्यूब" गणित का उपयोग करके, आप यह माप सकते हैं कि समन्वय (coordination) की समस्या कितनी कठिन है और स्वचालित रूप से उन विशिष्ट क्षणों को खोज सकते हैं जहाँ रोबोट टकराएंगे, जिससे उन्हें ठीक करने की अनुमति मिलती है।

सारांश

Tensor-Coord एक सुपर-स्मार्ट रेफरी की तरह है जो AI रोबोट्स द्वारा खेले जा रहे 'टैग' (पकड़ने वाला खेल) के खेल पर नज़र रखता है। यह खेल नहीं खेलता; यह केवल खिलाड़ियों की चालों को देखता है, यह अनुमान लगाने के लिए गणित का उपयोग करता है कि वे कहाँ टकराएंगे, और खिलाड़ियों को उनके कदमों को बदलने के लिए विशिष्ट निर्देश देता है ताकि खेल सुचारू रूप से चल सके। यह स्वतंत्र योजनाओं के अराजक ढेर को एक समन्वित नृत्य में बदल देता है।

तकनीकी सारांश: टेंसर-कॉर्ड (Tensor-Coord)

समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) मल्टी-एजेंट प्लानिंग में मौलिक सीमाओं का प्रदर्शन करते हैं, जिसका मुख्य कारण जनरेटिव प्रवाह (generative fluency) और संरचित तर्क (structured reasoning) के बीच का अंतर है। जबकि LLMs प्रशंसनीय व्यक्तिगत योजनाएं उत्पन्न कर सकते हैं, उनमें समन्वित कार्रवाई के लिए आवश्यक नियतात्मक स्टेट ट्रैकिंग (deterministic state tracking) और व्यवस्थित खोज क्षमताओं का अभाव होता है। जब कई एजेंट स्वतंत्र रूप से योजना बनाते हैं, तो उनकी योजनाएं अक्सर सामूहिक विसंगतियों का परिणाम होती हैं, जैसे कि स्थानिक टकराव (spatial collisions), संसाधन संघर्ष (resource contention), और टेम्पोरल डेडलॉक (temporal deadlocks)।

मौजूदा समन्वय दृष्टिकोण इसे प्रभावी ढंग से संबोधित करने में विफल रहते हैं:

संयुक्त प्रॉम्प्टिंग (Joint Prompting): सभी एजेंटों के संदर्भों को जोड़ने से व्यावहारिक कॉन्टेक्स्ट विंडो की सीमा समाप्त हो जाती है क्योंकि संयुक्त एक्शन स्पेस तेजी से ( $|A|^N$ ) बढ़ता है।
अनुक्रमिक योजना (Sequential Planning): यह क्रमबद्ध पूर्वाग्रह (ordering bias) पेश करता है और चक्रीय निर्भरताओं (circular dependencies) को हल नहीं कर सकता।
शास्त्रीय एल्गोरिदम (जैसे, कॉन्फ्लिक्ट-बेस्ड सर्च): इनके लिए औपचारिक डोमेन विशिष्टता (PDDL) की आवश्यकता होती है जो LLMs के प्राकृतिक भाषा लचीलेपन को समाप्त कर देती है।

मुख्य चुनौती LLM-जनित संयुक्त योजनाओं में डोमेन-विशिष्ट नियमों या औपचारिक स्टेट-स्पेस मॉडल पर निर्भर किए बिना समन्वय विफलताओं का पता लगाने और उन्हें हल करने की है।

कार्यप्रणाली: टेंसर-कॉर्ड फ्रेमवर्क

यह शोध पत्र टेंसर-कॉर्ड (Tensor-Coord) पेश करता है, जो $N$ एजेंटों की संयुक्त योजना को एक तीसरे क्रम के टेंसर $\mathbf{T} \in \mathbb{R}^{N \times T \times A}$ (एजेंट्स $\times$ टाइमस्टेप्स $\times$ एक्शन्स) के रूप में एनकोड करता है और लेटेंट समन्वय संरचनाओं की खोज के लिए मल्टीलीनर अलजेब्रा (multilinear algebra) लागू करता है।

1. सॉफ्ट टेंसर प्रतिनिधित्व (Soft Tensor Representation)

संख्यात्मक स्थिरता और पूर्ण मल्टीलीनर रैंक सुनिश्चित करने के लिए, फ्रेमवर्क हार्ड बाइनरी एनकोडिंग से बचता है। इसके बजाय, यह एक सॉफ्ट प्लान टेंसर का उपयोग करता है:
$\mathcal{T}(i, t, k) = \gamma \cdot \mathbb{1}[a_i^t = a_k] + \frac{1-\gamma}{K-1} \cdot \mathbb{1}[a_i^t \neq a_k]$
जहाँ $\gamma$ एक कॉन्फिडेंस पैरामीटर है (जैसे, 0.8)। यह चुने गए एक्शन को उच्च संभाव्यता प्रदान करता है और शेष हिस्से को अन्य एक्शन्स के बीच वितरित करता है, जिससे डोमिनेंट स्ट्रक्चर सुरक्षित रहता है और रैंक डेफिशिएंसी (rank deficiency) से बचा जा सके।

2. कैनोनिकल पॉलीडिक (CP) डिकंपोजिशन और कॉम्प्लेक्सिटी मेट्रिक

फ्रेमवर्क टेंसर को रैंक-वन घटकों के योग में गुणनखंडित करने के लिए CP डिकंपोजिशन लागू करता है:
$\mathcal{T} \approx \sum_{r=1}^{R} \lambda_r \cdot \mathbf{u}_r \otimes \mathbf{v}_r \otimes \mathbf{w}_r$

सैद्धांतिक अंतर्दृष्टि: यदि एजेंट स्वतंत्र हैं, तो टेंसर रैंक $R^*$ एजेंटों की संख्या $N$ के बराबर होती है। यदि $R^* > N$ है, तो अतिरिक्त रैंक एजेंटों के बीच परस्पर निर्भरता (coupling) को दर्शाती है।
*समन्वय जटिलता मेट्रिक ($CC $):** इसे$ CC(\Pi) = \frac{R^ - N}{N}$ के रूप में परिभाषित किया गया है।
- $CC(\Pi) = 0$ का अर्थ है आपसी स्वतंत्रता (कोई संघर्ष संभव नहीं)।
- $CC(\Pi) > 0$ सांख्यिकीय निर्भरता और समन्वय की आवश्यकता को दर्शाता है।

3. रेसिडुअल-आधारित संघर्ष का पता लगाना (Residual-Based Conflict Detection)

डिकंपोजिशन रेसिडुअल $\mathbf{E} = \mathcal{T} - \mathcal{T}_{R^*}$ उस व्यवहार को कैप्चर करता है जो स्वतंत्र थ्रेड्स द्वारा समझाया नहीं जा सकता।

कॉन्फ्लिक्ट स्कोर: $CS(i, j, t) = \rho(i, t) \cdot \rho(j, t)$ , जहाँ $\rho(i, t) = \|\mathbf{E}(i, t, :)\|_2$ ।
तंत्र: एक ही टाइमस्टेप $t$ पर दोनों एजेंटों $i$ और $j$ में उच्च रेसिडुअल एक समन्वय विफलता (जैसे, टकराव) का संकेत देते हैं जिसे स्वतंत्र मॉडल नहीं समझा सकता। यह डोमेन-विशिष्ट नियमों के बिना बीजगणितीय रूप से संघर्षों को स्थानीयकृत (localize) करता है।

4. व्याख्यात्मकता के लिए टकर डिकंपोजिशन (Tucker Decomposition)

पुनः योजना (replanning) को निर्देशित करने के लिए, फ्रेमवर्क व्याख्या योग्य कारकों को निकालने के लिए टकर डिकंपोजिशन ( $\mathcal{T} \approx \mathcal{G} \times_1 \mathbf{U} \times_2 \mathbf{V} \times_3 \mathbf{W}$ ) का उपयोग करता है:

$\mathbf{U}$ (एजेंट भूमिकाएँ): समान समन्वय भूमिकाओं वाले एजेंटों को क्लस्टर करता है।
$\mathbf{V}$ (टेम्पोरल फेजेस): महत्वपूर्ण समन्वय विंडोज़ की पहचान करता है।
$\mathbf{W}$ (एक्शन प्रकार): कार्यात्मक रूप से समान एक्शन्स को समूहित करता है।
इन कारकों को प्राकृतिक भाषा बाधाओं (Natural Language Constraints) में अनुवादित किया जाता है (जैसे, "टाइमस्टेप $t$ पर स्थिति $(x,y)$ से बचें" या "फेज बाउंड्री पर सिंक्रोनाइज़ करें") ताकि पुनरावृत्ति आधारित LLM रिप्लानिंग को निर्देशित किया जा सके।

5. पुनरावृत्ति एल्गोरिदम (Iterative Algorithm)

सिस्टम एक लूप में कार्य करता है:

LLMs प्रारंभिक योजनाएं उत्पन्न करते हैं।
योजनाओं को सॉफ्ट टेंसर में एनकोड किया जाता है।
CP डिकंपोजिशन $R^*$ और रेसिड्यूल $\mathbf{E}$ की गणना करता है।
रेसिड्यूल स्कोर के माध्यम से संघर्षों को स्थानीयकृत किया जाता है।
टकर फैक्टर्स विशिष्ट प्राकृतिक भाषा बाधाएं उत्पन्न करते हैं।
बाधाओं को रिप्लानिंग के लिए LLMs को वापस फीड किया जाता है।
लूप अभिसरण (convergence) या अधिकतम पुनरावृत्तियों तक दोहराया जाता है।

मुख्य योगदान

टेंसर फॉर्मूलेशन: स्थिर मल्टीलीनर डिकंपोजिशन सक्षम करने वाला संयुक्त योजनाओं का एक सॉफ्ट एनकोडिंग।
बीजगणितीय जटिलता मेट्रिक: समन्वय जटिलता ($CC $) का पहला गणना योग्य, बीजगणितीय रूप से आधारित माप, जो सिद्ध करता है कि$ R^*=N$ योजना स्वतंत्रता के लिए आवश्यक और पर्याप्त है।
डोमेन-अज्ञेयवादी संघर्ष का पता लगाना: एक रेसिड्यूल-आधारित विधि जो डोमेन-विशिष्ट नियमों की आवश्यकता के बिना एजेंट $\times$ टाइमस्टेप $\times$ एक्शन स्पेस में संघर्षों को बीजगणितीय रूप से स्थानीयकृत करती है।
व्याख्यात्मक संरचना निष्कर्षण: एजेंट भूमिकाओं, टेम्पोरल फेजेस और एक्शन क्लस्टर्स को प्राप्त करने के लिए टकर डिकंपोजिशन का उपयोग करना।
पुनरावृत्ति परिशोधन एल्गोरिदम: मल्टी-रोबोट डिलीवरी कार्यों पर उच्च अभिसरण दर प्राप्त करने वाला एक फ्रेमवर्क।

प्रयोगात्मक परिणाम

ग्रिड वर्ल्ड्स (5x5 और 6x6) में 2 से 5 एजेंटों के साथ मल्टी-रोबोट डिलीवरी कार्यों पर प्रयोग किए गए।

अभिसरण दरें (Convergence Rates):
- आसान (2 एजेंट): 100% अभिसरण (औसत 1.4 पुनरावृत्ति)।
- मध्यम (3 एजेंट): 80% अभिसरण (औसत 3.2 पुनरावृत्ति)।
- कठिन (4 एजेंट): 60% अभिसरण (औसत 4.0 पुनरावृत्ति)।
- बहुत कठिन (5 एजेंट): 20% अभिसरण (उच्च भीड़भाड़ समाधान को सीमित करती है)।
स्केलिंग लॉ: न्यूनतम CP रैंक एजेंटों की संख्या के साथ रैखिक रूप से स्केल करती है: $R^*(N) \approx 3.9 \cdot N + 0.5$ ( $R^2 = 0.94$ ), जो मेट्रिक की विश्वसनीयता की पुष्टि करती है।
बेसलाइन तुलना: टेंसर-कॉर्ड ने इंडिपेंडेंट प्लानिंग, राउंड-रॉबिन सीक्वेंशियल प्लानिंग और सिंगल-LLM जॉइंट प्रॉम्प्टिंग को काफी पीछे छोड़ दिया। यह मध्यम-जटिलता वाले परिदृश्यों में विशेष रूप से शून्य संघर्ष तक पहुँचने में सक्षम एकमात्र विधि थी।

महत्व और दावे

शोध पत्र का दावा है कि टेंसर-कॉर्ड LLMs के प्राकृतिक भाषा लचीलेपन और मल्टी-एजेंट समन्वय की कठोर आवश्यकताओं के बीच के अंतर को पाटता है। टेंसर रैंक के रूप में समन्वय को एक बीजगणितीय समस्या के रूप में मानकर, फ्रेमवर्क:

एक मापने योग्य माप ($CC$) प्रदान करता है जो पहले LLM मल्टी-एजेंट सिस्टम में अनुपस्थित था।
एक सिद्धांत आधारित तंत्र प्रदान करता है जो हाथ से बनाए गए डोमेन नियमों पर निर्भर नहीं है, जिससे यह विविध वातावरणों के लिए लागू होता है।
प्रदर्शित करता है कि बीजगणितीय डिकंपोजिशन प्रभावी रूप से उन जटिल समन्वय विफलताओं को हल करने के लिए मार्गदर्शन कर सकता है जिन्हें मानक प्रॉम्प्टिंग रणनीतियाँ हल नहीं कर पाती हैं।

लेखक नोट करते हैं कि हालांकि यह दृष्टिकोण सुलभ समस्याओं पर उच्च सफलता दर प्राप्त करता है, लेकिन यह अत्यधिक भीड़भाड़ वाले वातावरण (जैसे, 6x6 ग्रिड पर 5 एजेंट) में चुनौतियों का सामना करता है जहाँ बाधाओं की परस्पर क्रिया गैर-मोनोटोनिक अभिसरण (non-monotonic convergence) की ओर ले जा सकती है। बड़े एजेंट काउंट के लिए पदानुक्रमित डिकंपोजिशन (hierarchical decomposition) और न्यूनतम संघर्ष-समाधान बाधा सेटों को संबोधित करने के लिए भविष्य के कार्य प्रस्तावित किए गए हैं।