ネットワーク化されたサイバーフィジカルシステムで安全な協調を実現するには、学習アルゴリズムが三つの厄介な性質を同時に扱わなければならない。すなわち、離散と連続が混在する行動空間、学習時に必ず満たすべきハードな安全制約、そして物理法則に支配されるシステムダイナミクスである。arXiv論文「TRIDENT：ハイブリッド・安全・物理の結合を断ち切り、証明可能に安全なマルチエージェント強化学習を実現」は、これら三つが独立ではなく、偏りが巡る有向サイクルを形成していると指摘する。そのため既製モジュールを単純に組み合わせる手法は機能しない。著者らはこの現象を「三者結合補題」として形式化し、三つの中核構成要素を最初から協調設計することで各漏れを打ち消すマルチエージェント強化学習フレームワークTRIDENTを提案する。
TRIDENTの三つの構成要素は、結合サイクルにおける各漏れに対応する。第一はRichardson-Romberg勾配補正で、Gumbel-Softmaxサンプリングに由来する偏りをO(tau)からO(tau^2)へと低減し、ハイブリッド行動の離散化に伴う誤差を緩和する。第二はLyapunov制約付きの逐次信頼領域更新であり、安全制約を学習後に回すのではなく、各反復で実行可能性を強制する。第三は物理情報付き残差クリティックで、報酬ではなく価値関数を分解する点に特徴があり、物理構造を価値推定に埋め込む。これらは独立に積み重ねるのではなく、同一の結合構造を前提に共同で設計されている。
理論面では収束保証が示される。アルゴリズムはO~(1/sqrt(K))の速度で制約付きナッシュ均衡へ収束し、累積違反量はO(sqrt(K))の上界を満たす。この組み合わせにより、安全性と学習の進展を同時に制御可能な形で保証でき、一方を犠牲にする必要がない。
実験は三つの代表的な設定を扱う。マルチUAV移動エッジ計算、自律交差点管理、そしてハイブリッド行動版のSMAC変種である。結果として、TRIDENTは学習時の違反をMADDPG比で95.5%、MACPO比で76.3%削減し、同時に報酬は最強の無制約ベースラインを13.5%上回った。これらの結果は、三つの性質の結合関係を明示的に扱うことが、個々のモジュールを個別に修正するよりも安全性とタスク性能の両方を改善することを示している。
本論文はZijie Mengら8名の著者によるもので、2026年6月16日に投稿され、16ページ・図4点からなる。機械学習（cs.LG）および人工知能（cs.AI）に分類され、arXiv番号は2606.18308である。