技術的概要：学習による選択：適応的メソッド選択のための意味的通信を備えたエンパワーメント主導のマルチエージェントシステム

1. 問題定義

感度解析（SA）や不確実性定量化（UQ）における科学計算ワークフローの自動化は、単なるコード生成を超えた「選択から実行までの問題」という重大な課題に直面している。マルチエージェントパイプラインにおいて、方策はライブラリから適切な計算メソッドを選択しなければならないが、この選択は脆弱である。エージェントの意図と行動の間にわずかな不一致が生じると、実行されたコードが当初選択されたメソッドから乖離する「意味的ドリフト」が発生する。

このドリフトは「因果的結合の解除」を生み出す。学習エージェントが観測する報酬信号は、選択されたメソッドの質ではなく、実行されたコードの質を測定するものである。その結果、文脈的バンディット方策は汚染された学習信号を受け取り、収束性が低下し、システムが特定の決定に対して結果を確実に帰属させることが不可能になる。核心的な問題は、選択された行動（メソッド選択）と結果との間の因果的リンクが、マルチエージェントパイプライン全体を通じて維持されることを保証することである。

2. 手法

提案される枠組みは、文脈的バンディットを構造化されたエージェント間通信および意味的チェックポイントと統合し、エンパワーメントの観点から解釈することで、この課題に対処する。

2.1 理論的基盤：システムエンパワーメント

エンパワーメントの概念 [15, 45] に基づき、著者はシステムエンパワーメントを、行動空間（メソッド選択）と計算結果との間の相互情報 $I(A; O | s)$ として定義する。高いエンパワーメントには、2 つの明確なメカニズムが必要である。

1. 統計的コンポーネント: 与えられた問題文脈に対して、どの行動が高品質な結果を因果的に生み出すかを特定する方策。
2. 通信的コンポーネント: 選択された行動が、コード生成および実行を通じて忠実に保持されることを明示的に保証すること。

この枠組みは、通信的コンポーネントが欠如している場合、意味的ドリフトが相互情報をゼロに低下させ、方策の質に関わらずシステムを制御不能にすると仮定している。

2.2 マルチエージェントアーキテクチャ

このシステムは、文脈的バンディットループ内で動作する 4 つの機能グループに組織化されている。

• 概念化チーム: ユーザーの要求から、次元数、予算、タスクタイプ（SA または UQ）を含む構造化された問題表現（文脈ベクトル $x$）を抽出する。
• 戦略チーム（方策演算子 $\pi$）: 文脈と履歴に基づいて次のメソッド行動 $A_n$ を選択する。これには、提案を行うストラテジスト、検証を行うクリティック、ハイパーパラメータの処方を行うアドバイザーが含まれる。
• 実装チーム（演算子 $I$）: 基盤となるコーパス（UQpy）を使用して、抽象的な行動を実行可能なコードに変換する。これには、計画を行うスタディエージェント、コード生成を行うリファクタエージェント、構造的検証を行うインスペクターが含まれる。
• 実行と評価（演算子 $E$ および $A$）: コードを実行し、結果を評価する。マルチモーダルエージェントであるアドバイザーは、数値結果とプロットを分析し、スカラー報酬 $R_n$ と診断レポートを割り当てる。

2.3 意味的チェックポイントと構造化スキーム

意味的ドリフトを防止するため、システムは自由テキスト通信に代わって構造化スキーム（ProblemScheme, MethodScheme, DiagnosticScheme）を採用し、重要なエージェント境界に**7 つのコサイン類似度チェックポイント（CP0–CP7）**を実装する。

• メカニズム: 各チェックポイントは、上流エージェントの出力の意味的埋め込みと、下流エージェントの入力（または期待される出力）を比較する。類似度が適応的閾値を下回る場合、遷移はブロックされるか、警告が発令される。
• 主要なチェックポイント:
  • CP0（セッション間）: 現在の問題を過去のセッションのアーカイブと比較して異常を検出する。既知の問題に対しては「ウォームスタート（探索の削減）」を、未知の問題に対しては「異常指向の探索」をトリガーする。
  • CP1 および CP2（選択層）: ユーザー要求が正しく文脈ベクトルにパースされていること、および提案されたメソッドが文脈的に互換性があることを検証する。
  • CP3, CP4, CP5（実装層）: 実装計画と組み立てられたコードが、実行前に選択されたメソッドを忠実に反映していることを検証する。CP5 は特に、戦略レポートに対するコードの整合性を確認する。
  • CP6 および CP7（評価層）: 診断が実際の観測に基づいていること、および方策の崩壊を防ぐために行動の多様性が維持されていることを保証する。

2.4 学習ダイナミクス

このシステムは、次の反復における期待報酬が現在の報酬以上であること（$E[R_{n+1} | H_n] \ge R_n$）を要求する部分マルチンゲール収束条件を採用している。これにより、単調な改善のためのランタイム検証可能な基準が提供される。方策はオンラインでトンプソンサンプリングを用いて更新され、過去の成功の幾何学的メモリを通じてセッション間の知識が蓄積される。

3. 主要な貢献

1. エンパワーメント主導の枠組み: マルチエージェント科学自動化をエンパワーメント最大化問題として解釈する新規のアプローチ。統計的学習（方策）と通信的完全性（伝播）を明示的に分離する。
2. 意味的チェックポイントメカニズム: 学習信号を汚染する前に意味的ドリフトを検出・修正するコサイン類似度チェックポイントの階層の導入。専門家によって作成された青図（例：ATHENA）とは異なり、これらのチェックポイントはメソッドに依存せず、構造的である。
3. 構造化されたエージェント間通信: エージェント間のハンドオフにおける曖昧さを排除するための機械可読スキーム（Problem, Method, Diagnostic）の使用。
4. 適応的探索戦略: 問題が既知（ウォームスタート）か異常（多様性の最大化）かによって探索を動的に調整するセッション間文脈チェックポイント（CP0）。

4. 実験結果

この枠組みは、UQpy ライブラリを使用した SA および UQ タスク（Ishigami 関数、Sobol G 関数、高次元スクリーニング問題を含む）で評価された。

• チェックポイント除去（意味的ドリフト）: 実装チームにメソッドの置換（例：Sobol を選択して Chatterjee を実装するよう指示）を促す敵対的シナリオにおいて、チェックポイントがないシステムは 3 回の試行のうち 2 回で行動とコードの不一致を生じた。報酬信号は誤ったメソッドに帰属され、方策が汚染された。チェックポイントを有効にすると、忠実性が維持され、ドリフトは実行前にブロックされた。
• 敵対的耐性（メソッド交換）: 戦略レポートに人工的に「メソッド交換」ドリフトを注入した際、除去されたシステム（CP5 なし）はエラーを検出できず、誤ったメソッドを実行して回復までに 3 回の追加反復を要した。完全なシステム（CP5 あり）は意味的不一致を検出し、修正をトリガーして単一反復で収束し、報酬が約 88 ポイント向上した。
• セッション間知識の蓄積: 15 次元の Sobol 関数において、システムは 3 つの独立したセッション間で最高報酬が単調に増加すること（64.2 $\to$ 68.8 $\to$ 75.5）を実証した。方策は知識を転送し、後続のセッションでは早期に高予算の Sobol 構成を選択した。
• 異常検出: CP0 は、既知の片持ち梁問題（探索の削減、即時収束）と未知の熱拡散モデル（探索の増加、スクリーニング優先戦略）を正しく区別し、不適切なヒューリスティックが新しい問題構造に適用されることを防いだ。

5. 意義と主張

本論文は、科学マルチエージェントシステムにおける適応的意思決定は、意味的一貫性を保証する明示的メカニズムと結合されなければならないと主張している。

• 一般的な設計原則: 著者は、メソッドに依存しないパイプラインに対しては、専門家の知識注入（足場作り）のみに依存することは不十分であると論じる。代わりに、行動と結果のリンクの完全性を維持するために、意味的チェックポイントのような構造的補完が必要である。
• 因果的帰属: この枠組みは、選択されたメソッドと観測された結果との間の因果関係を維持し、文脈的バンディットがコード実行のアーティファクトではなく、有効なメソッドの質を学習できるようにする。
• スケーラビリティと堅牢性: チェックポイントを通じて選択方策を実装詳細から分離することで、システムは幻覚や意味的ドリフトに対する堅牢性を達成し、あらゆる可能な失敗モードを事前に網羅的に指定することなく、複雑な科学ワークフローの信頼性の高い自動化を可能にする。

この研究は、ATHENA や GRAFT-ATHENA などの枠組みに対する補完的なアプローチとして位置づけられている。それらが永続的で専門家によってキュレーションされた知識グラフに依存するのに対し、この枠組みは構造的検証を通じて単一の実行軌道内における行動伝播の意味的完全性の維持に焦点を当てている。