リソース制約のあるエッジプラットフォーム上での分散型マルチエージェントスワーム協調は、エージェント数に対して指数関数的に増大するジョイント行動空間と、通信遅延に伴う高いオーバーヘッドという二つの根本的ボトルネックに長く悩まされてきた。本論文は、スワームのトポロジーを圧縮テンソルネットワークとしてモデル化することでこれらの制約を回避する「Swarm Policy Interference Network（SPIN）」フレームワークを提案する。
具体的には、局所的なマルチエージェント集団（クリーク）のジョイントポリシーテンソルを行列積状態（MPS）の連鎖へと因数分解する。この代数再構成により、ポリシー評価の計算複雑度は指数関数的なO(n^m)の壁から、厳密に線形なO(m·n·χ²)の制約へと低減される。ここでχはテンソル連鎖の結合次元である。これは、集団規模が増えてもエッジデバイス上でのジョイントポリシー評価が爆発的に増大しないことを意味する。
局所的な連続空間幾何をこの離散代数バックエンドへ橋渡しし、かつ電力消費の大きいオンライン学習ループを不要にするため、著者は分離型のハイブリッド・ニューロシンボリック制御パイプラインを導入する。局所的な多層ニューラルネットワークは構造協調エンコーダとして機能し、オフラインで事前学習されて、手作業で設計された幾何記述子を非線形に抽象的な環境目標尺度へ写像する。実行時には、エッジエージェントがRadon-Nikodým微分をゼロショットの重要度再重み付けフィルタとして直接適用することで、瞬時に行動適応を行う。オンラインの勾配更新は不要である。
検証は離散時間マルチエージェントシミュレーションのサンドボックスで行われ、目標追跡、分散型の分散・エリアカバレッジ、複数目標協調の三つのレジームを対象とする。定性的なテレメトリは、統合パイプラインが安定した目標指向運動、分散制約下での崩壊を防ぐ空間的拡散、複数目標周辺での構造化されたサブグループ形成を達成することを示している。
本論文はarXiv（2606.07557、2026年5月25日提出）に掲載され、11ページ、図2点、表1点、6章構成で、機械学習、マルチエージェントシステム、社会情報ネットワークに関連する。著者のZhaowen Fanは、このフレームワークが計算可能で低消費電力のエッジスワーム知能への数学的に根拠のある道筋を提供すると述べている。