NeuroMAS는 LLM 에이전트를 노드로, 중간 텍스트 신호를 엣지로 하는 신경망 유사 아키텍처로 멀티에이전트 시스템을 훈련 가능하게 만드는 방법론입니다. 에이전트 노드는 역할이 없고 강화학습이 통신·전문화·조율 방식을 결정하며, 깊이·너비·연결성이 확장 가능한 능력의 원천이 됩니다. 실험에서 추론 시간 및 훈련된 멀티에이전트 기준선 모두를 크게 능가하고, 소규모 훈련 시스템에서 점진적으로 성장시키는 방식이 효과적임을 보여줍니다.
- •LLM 에이전트를 노드로, 텍스트를 엣지로 하는 훈련 가능한 신경망 유사 아키텍처로 멀티에이전트 시스템을 모델링합니다.
- •강화학습이 에이전트 노드의 통신·전문화·조율 방식을 결정하며, 워크플로우 엔지니어링을 아키텍처 설계로 전환합니다.
- •대규모 시스템은 처음부터 훈련하기 어렵지만, 소규모 훈련 시스템에서 점진적으로 성장시키면 효과적으로 확장할 수 있습니다.
NeuroMAS: Multi-Agent Systems as Neural Networks with Joint Reinforcement Learning
- 1.멀티 에이전트 언어 시스템을 훈련 가능한 신경망 아키텍처로 설계하는 NeuroMAS 방법론 제안
- 2.역할 고정 없이 강화학습으로 에이전트가 자율적으로 전문화·조율하는 구조 채택
- 3.조직 확장은 경로 의존적: 소규모 학습 시스템에서 점진적으로 성장시키는 방식이 효과적
왜 중요한가?
에이전트 설계를 워크플로우 엔지니어링에서 아키텍처 설계로 전환하는 새 패러다임을 제안하며, LLM 확장성의 새로운 축으로서 가능성을 제시한다.
🏷️ 언급 프로젝트
본문 미리보기
arXiv:2605.16757v1 Announce Type: new Abstract: Multi-agent language systems are often built as hand-designed workflows, where agents are assigned semantic roles and communication protocols are specified in advance. We propose NeuroMAS, a method that first treats a multi-agent language system as a trainable and scalable neural-network-like architecture with LLM agents as nodes and intermediate textual signals as edges. In NeuroMAS, agent nodes are role-free but structure-aware: the topology onl
전체 내용이 궁금하다면?
원문을 직접 읽어보세요