Un réseau de neurones basé sur la théorie de l’esprit favorise la coopération et la concurrence multi-agents

La théorie de l’esprit (ToM) fait référence à la capacité de déduire les états mentaux des autres, tels que les croyances, les intentions et les désirs. C’est une sorte de capacité cognitive sociale de haut niveau.

Les mécanismes neuronaux sous-jacents à la ToM ont été découverts progressivement ces dernières années. Ces mécanismes fournissent des informations pour étudier et explorer les interactions sociales entre les systèmes multi-agents et les interactions homme-machine basées sur la ToM.

Récemment, une équipe de recherche dirigée par le professeur Zeng Yi de l’Institut d’automatisation de l’Académie chinoise des sciences a proposé un réseau de neurones à pointes (MAToM-SNN) basé sur la théorie de l’esprit multi-agents pour améliorer la coopération et la concurrence multi-agents. L’étude a été publiée dans Motifs le 23 juin.

Lorsque l’IA obtient la fonctionnalité de la théorie de l’esprit/empathie cognitive, elle doit être inspirée par le cerveau afin que nous sachions que le modèle de la théorie de l’esprit dans l’IA est comparable à la version humaine et qu’il est plus fiable pour l’homme et la société.

Le réseau proposé se compose de deux modules : le module Self-MAToM pour inférer les autres sur la base de l’expérience de soi et le module Other-MAToM pour inférer les autres sur la base des observations historiques des autres.

« Les comportements prédits des autres par MAToM-SNN fournissent des représentations d’état riches pour le modèle de prise de décision, permettant au réseau décisionnel d’ajuster ses politiques de manière adaptative », a déclaré le professeur Zeng Yi, auteur correspondant de l’étude.

Les agents avec MAToM-SNN peuvent utiliser leurs propres expériences ou observations des autres pour déduire leurs comportements et ajuster leurs politiques pour mieux interagir avec les autres. En outre, MAToM-SNN améliore les performances des systèmes multi-agents dans les tâches coopératives et compétitives.

« MAToM-SNN démontre des niveaux élevés de généralisation sur les tâches d’apprentissage par renforcement multi-agents basées sur des réseaux de neurones à pointes et des réseaux de neurones récurrents », a déclaré Zhao Zhuoya, premier auteur de l’étude.

De plus, les chercheurs ont découvert que Self-MAToM aide Other-MAToM à apprendre rapidement. « Le soi est une condition préalable pour déduire les autres. Ainsi, il est essentiel de déduire les autres sur la base de l’expérience de soi lorsque les informations les concernant sont incomplètes », a déclaré Assoc. Prof. Zhao Feifei, co-auteur de l’étude.