Dark Forest Theory and Multi-Agent Reinforcement Learning - Archive ouverte HAL Accéder directement au contenu
Rapport Année : 2023

Dark Forest Theory and Multi-Agent Reinforcement Learning

Théorie de la forêt sombre et apprentissage par renforcement multi-agent.

Résumé

Multi-Agent Reinforcement Learning (MARL) has proven effective in many areas. These include robotics, computer networks and even traffic control. It is also increasingly used in game theory to solve complex problems. Taking this idea further, we decided to apply MARL to a new type of problem, interplanetary communication. To do this, we created an environment that simulated the potential civilisations interacting in the universe. We then ran reinforcement learning agents representing the civilisations, each with the goal of surviving in this universe. We then analysed the strategies they came up with and saw that the strategies reflected what humans have been observing for the last hundred years: complete silence.
L'apprentissage par renforcement multi-agents (MARL) s'est avéré efficace dans de nombreux domaines. Il s'agit notamment de la robotique, des réseaux informatiques et même de la régulation du trafic. Il est également de plus en plus utilisé dans la théorie des jeux pour résoudre des problèmes complexes. En poussant cette idée plus loin, nous avons décidé d'appliquer l'apprentissage par renforcement multi-agents à un nouveau type de problème, la communication interplanétaire. Pour ce faire, nous avons créé un environnement qui simule les civilisations potentielles interagissant dans l'univers. Nous avons ensuite fait fonctionner des agents d'apprentissage par renforcement représentant les civilisations, chacune ayant pour objectif de survivre dans cet univers. Nous avons ensuite analysé les stratégies qu'ils ont élaborées et nous avons constaté qu'elles reflétaient ce que les humains ont observé au cours des cent dernières années : le silence total.
Fichier principal
Vignette du fichier
Dark_Forest_Theory_and_Multi_Agent_Reinforcement_Learning.pdf (411.13 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04174783 , version 1 (23-08-2023)

Licence

Identifiants

  • HAL Id : hal-04174783 , version 1

Citer

Théo Michel, Selim Gmati, Elena Immen. Dark Forest Theory and Multi-Agent Reinforcement Learning. KAIST. 2023. ⟨hal-04174783⟩

Collections

LARA
107 Consultations
74 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More