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

Stel je voor dat je het perfecte gebak probeert te bakken, maar je hebt geen recept. Je hebt alleen een vaag idee: "Het moet luchtig zijn, zoet en niet te zwaar." In de echte wereld zijn veel dingen—zoals hoe een stad groeit, hoe een virus zich verspreidt, of hoe een economie reageert op een nieuwe wet—als dat gebak. Het zijn "complexe systemen", wat betekent dat ze bestaan uit vele onderdelen die met elkaar communiceren in lussen. Als je één ding verandert, rimpelt dit door het hele systeem op verrassende manieren. Wetenschappers proberen al decennia lang digitale modellen van deze systemen te bouwen om de toekomst te voorspellen, maar dat is een nachtmerrie geweest. Meestal vereist het een menselijke expert die zeer specifieke, moeilijke code schrijft, en zelfs dan is het uitzoeken hoe je het model moet bijsturen om een gewenst resultaat te krijgen, als het proberen te sturen van een schip door te gokken welke kant de wind waait.

Maak kennis met een nieuwe methode genaamd CEDAR. Zie het als een team van superintelligente, onvermoeibare robotchefs die samenwerken om dat perfecte recept voor het gebak vanaf nul uit te vinden. In plaats van dat een mens de code schrijft, gebruikt CEDAR een speciaal soort kunstmatige intelligentie (een LLM) die fungeert als een "Rechter" en een "Editor". De Editor probeert het recept (de computercode) te herschrijven om het gebak beter te maken, terwijl de Rechter het resultaat proeft en er een score aan geeft. Maar hier is de magische truc: ze gokken niet zomaar willekeurig. Ze gebruiken een strategie genaamd "Monte Carlo Tree Search", wat lijkt op een detective die een gigantisch, vertakkend doolhof verkent. Bij elke splitsing in de weg vraagt de detective: "Als ik deze kant op ga, vind ik dan een beter gebak?" Dit stelt het systeem in staat om duizenden verschillende versies van het recept te verkennen, lerend van zijn fouten en paden te vinden die een mens misschien nooit zou bedenken. Het artikel laat zien dat dit robotteam een rommelig, bestaand model kan nemen en het automatisch kan verbeteren om doelen te bereiken zoals "de populatie laten groeien maar de vervuiling laag houden", en dit sneller en creatiever doet dan traditionele methoden.

De Robotchef en het Doolhof van Mogelijkheden

De kern van dit artikel is dat we AI kunnen gebruiken om automatisch complexe systemen te ontwerpen en te verbeteren, wat modellen zijn van zaken zoals ecosystemen, economieën of populaties. Deze systemen zijn lastig omdat ze vol zitten met feedbackloops—waarbij de output van één deel de input wordt voor een ander, wat een web van oorzaak en gevolg creëert dat moeilijk te voorspellen is. Traditioneel gezien is het bouwen van deze modellen een traag, handmatig werk dat wordt gedaan door experts met gespecialiseerde, verouderde software. Als je het model wilde veranderen om te zien wat er gebeurt als je een nieuwe regel toevoegt, moest je de code zelf herschrijven.

CEDAR verandert de regels door dit te veranderen in een autonoom, zelfrijdend proces. Het behandelt de creatie van een systeemmodel als een spel van exploratie. Het systeem wordt gerepresenteerd als een stuk Python-code (een veelvoorkomstige programmeertaal) dat simuleert hoe het systeem in de loop van de tijd verandert. Het doel is om een versie van deze code te vinden die zich gedraagt zoals een mens wil, zoals "het maximaliseren van populatiegroei terwijl de vervuiling wordt geminimaliseerd".

Om dit te doen, gebruikt CEDAR twee AI-agenten die in een lus werken:

1. De Editor: Deze AI bekijkt de huidige code en de resultaten van de simulatie. Vervolgens stelt het wijzigingen voor aan de code. Het kan een getal aanpassen, een nieuwe relatie tussen variabelen toevoegen, of de werking van een formule veranderen. Het werkt als een creatieve chef die een nieuw ingrediënt probeert.
2. De Rechter: Deze AI voert de nieuwe code uit, observeert hoe de simulatie verloopt, en evalueert deze vervolgens tegen het doel. Het geeft de nieuwe versie een score en schrijft een gedetailleerd rapport over waarom het goed of slecht presteerde. Het werkt als een voedingscriticus die het gebak proeft.

Maar simpelweg willekeurige wijzigingen proberen is niet genoeg. Dat is waar de Monte Carlo Tree Search (MCTS) om de hoek komt kijken. Stel je een boom voor waarbij de stam je startmodel is. Elke keer dat de Editor een wijziging aanbrengt, groeit er een nieuwe tak. Het MCTS-algoritme bepaalt welke takken als volgende verkend moeten worden. Het kiest niet alleen de tak die er op dit moment het beste uitziet; het balanceert tussen het verkennen van nieuwe, vreemde ideeën (om verborgen parels te vinden) en het dieper graven in de meest veelbelovende paden. Dit voorkomt dat het systeem vastloopt in een lokale "goed genoeg"-oplossing en helpt het om echt geweldige resultaten te vinden.

De Experimenten: Van Wereld-dynamiek tot Populatiegroei

De auteur testte CEDAR op twee belangrijke uitdagingen om te zien of het daadwerkelijk zou werken.

Uitdaging 1: Het "World Dynamics" Gebak
De eerste test gebruikte een beroemd, complex model genaamd "World Dynamics", dat de co-evolutie van de menselijke populatie, natuurlijke hulpbronnen en vervuiling simuleert. Het originele model, gemaakt door een menselijke expert in de jaren 1970, liet zien dat als je zaken gewoon laat lopen, de populatie groeit, de hulpbronnen opraken en de vervuiling explodeert. Het doel voor CEDAR was om dit model bij te sturen om een "sweet spot" te vinden waar de populatie kon groeien, maar de hulpbronnen niet zouden opraken en de vervuiling laag zou blijven.

De resultaten waren indrukwekkend. CEDAR vond niet alleen een kleine verbetering; het ontdekte geheel nieuwe manieren om het systeem in balans te brengen. In één run slaagde het erin de populatie 6,4 keer te vergroten (van 1,65 miljard naar 10,57 miljard) over een periode van 200 jaar, terwijl slechts 19,9% van de natuurlijke hulpbronnen werd uitgeput en de ophoping van vervuiling extreem laag bleef. Dit is een enorme verbetering ten opzichte van het originele model, dat enorme uitputting van hulpbronnen en pieken in vervuiling liet zien. Het artikel merkt op dat verschillende AI-"hersenen" (zoals Claude en GPT-5.1) verschillende oplossingen vonden, wat aantoont dat CEDAR in staat is om een verscheidenheid aan geldige manieren te ontdekken om het probleem op te lossen, en niet slechts één enkele oplossing.

Uitdaging 2: Het Recept Raden van het Gebak
De tweede uitdaging was nog moeilijker. Het team gaf CEDAR een "ground truth" systeem—een complex populatiemodel met willekeurige, onvoorspelbare elementen (zoals een sterftecijfer dat elke stap willekeurig verandert). Ze vertelden CEDAR niet de formule voor dit systeem. In plaats daarvan gaven ze het een verslag van de populatiecijfers in de loop van de tijd en vroegen het om een model te bouwen dat dat verslag kon reproduceren.

Om het een eerlijke test te maken, vergeleken ze CEDAR met een standaard optimalisatietool genaamd Optuna. Ze gaven Optuna drie verschillende niveaus van hulp:

• Geen Formulae: Alleen twee eenvoudige getallen (geboorte- en sterftecijfers).
• Simple Formulae: Een basis feedbackloop.
• Full Formulae: De exacte wiskundige structuur van het echte systeem (de bekende structuur).

Zelfs toen CEDAR begon met geen formulae (het moest de structuur zelf uitvinden), presteerde het beter dan Optuna, zelfs toen Optuna de full formulae kreeg (de bekende structuur). In de simulaties behaalde CEDAR een lagere foutmarge (L1-afstand van 2,22) vergeleken met Optuna met de volledige formules (L1-afstand van 3,71). Dit suggereert dat CEDAR zo goed is in het verkennen van de ruimte van mogelijkheden, dat het de onderliggende regels van een systeem kan begrijpen door enkel naar de data te kijken, zonder dat een mens eerst de vergelijkingen hoeft te vertellen.

Waarom dit ertoe doet (en wat het niet doet)

Het artikel suggereert dat deze aanpak de modellering van complexe systemen veel toegankelijker kan maken. In plaats van een PhD in systeemdynamica nodig te hebben om code te schrijven, kan een gebruiker gewoon een doel in gewone menselijke taal beschrijven, en CEDAR doet het zware werk. Het biedt ook "interpreteerbaarheid", wat betekent dat de AI uitlegt waarom het wijzigingen heeft aangebracht. Bijvoorbeeld, in het World Dynamics-experiment legde de AI uit dat het het gebruik van hulpbronnen met 25-40% en de generatie van vervuiling met 30-40% verminderde om een betere balans te bereiken. Deze verklaringen helpen mensen de afwegingen te begrijpen die de AI maakt.

De auteur is echter voorzichtig met de claims. Er wordt gesteld dat hoewel de resultaten sterk zijn in deze simulaties, de theoretische garanties van de methode (wiskundig bewijs dat het altijd het beste antwoord zal vinden) nog steeds een open vraag zijn. Er wordt ook opgemerkt dat zowel de "Judge" als de "Editor" Large Language Models zijn, wat betekent dat er een klein risico is dat ze elkaars fouten kunnen versterken, hoewel de boomzoekstructuur helpt dit te voorkomen. Het artikel beweert niet dat dit een opgelost probleem is voor alle scenario's in de echte wereld, maar wel een krachtig nieuw instrument dat suggereert dat we de ontdekking van complexe systeemgedragingen kunnen automatiseren op manieren die voorheen onmogelijk waren.

Kortom, CEDAR is als het geven van een kaart van een uitgestrekt, onverkend bos (de ruimte van alle mogelijke systeemmodellen) en een kompas (het doel) aan een team van AI-ontdekkingsreizigers. In plaats van doelloos rond te dwalen, gebruiken ze een slimme strategie om de meest mooie, nuttige open plekken te vinden, waarbij ze vaak paden ontdekken waar een menselijke wandelaar nooit naar had gezocht.