Decentralizing AI Memory: SHIMI, a Semantic Hierarchical Memory Index for Scalable Agent Reasoning

要約

検索された生成（RAG）およびベクターベースの検索は、AIシステムのメモリの基礎ツールになりましたが、特に分散環境では、抽象化、スケーラビリティ、セマンティック精度に苦労しています。
Shimi（セマンティック階層メモリインデックス）は、知識を動的に構造化された概念の階層としてモデル化する統一されたアーキテクチャであり、エージェントが表面の類似性ではなく意味に基づいて情報を取得できるようにします。
Shimiはメモリを階層化されたセマンティックノードに整理し、抽象的な意図から特定のエンティティへのトップダウントラバーサルをサポートし、より正確で説明可能な検索を提供します。
重大なことに、シミは分散型生態系のためにネイティブに設計されており、エージェントはローカルメモリツリーを維持し、ネットワーク全体で非同期に同期します。
メルクルダグの概要、ブルームフィルター、およびCRDTスタイルの競合解決を活用して、最小限のオーバーヘッドで部分的な同期を可能にする軽量同期プロトコルを導入します。
分散エージェントコラボレーションを含むベンチマーク実験とユースケースを通じて、検索精度、セマンティックフィデリティ、およびスケーラビリティにおけるシミの利点を示します。

要約(オリジナル)

Retrieval-Augmented Generation (RAG) and vector-based search have become foundational tools for memory in AI systems, yet they struggle with abstraction, scalability, and semantic precision – especially in decentralized environments. We present SHIMI (Semantic Hierarchical Memory Index), a unified architecture that models knowledge as a dynamically structured hierarchy of concepts, enabling agents to retrieve information based on meaning rather than surface similarity. SHIMI organizes memory into layered semantic nodes and supports top-down traversal from abstract intent to specific entities, offering more precise and explainable retrieval. Critically, SHIMI is natively designed for decentralized ecosystems, where agents maintain local memory trees and synchronize them asynchronously across networks. We introduce a lightweight sync protocol that leverages Merkle-DAG summaries, Bloom filters, and CRDT-style conflict resolution to enable partial synchronization with minimal overhead. Through benchmark experiments and use cases involving decentralized agent collaboration, we demonstrate SHIMI’s advantages in retrieval accuracy, semantic fidelity, and scalability – positioning it as a core infrastructure layer for decentralized cognitive systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google