Multi-agent decision-making structural systems: an active inference approach

Active Inference (AIF) is a probabilistic framework grounded in the Free Energy Principle, in which perception, action, and learning are treated as components of a unified inferential process. Within a Partially Observable Markov Decision Process (POMDP) formulation, agents are endowed with generative models encoding beliefs about hidden states, their dynamics, and the sensory consequences of interaction with the environment. In this setting, decision-making emerges through the minimization of expected free energy, which integrates goal-directed behaviour and uncertainty reduction within a single computational scheme. This thesis investigates whether AIF provides a principled basis for distributed decision-making in engineering systems composed of multiple agents operating on a shared physical structure. Each agent relies exclusively on local observations and does not have direct access to the states or actions of other agents. The objective is not merely to assess whether inferential agents can regulate structural systems, but to examine if coherent system-level behaviour can emerge from local inference coupled through physical interaction. Two case studies are considered. The first examines a beam with adjustable supports, where agents regulate imposed displacements to redistribute reaction forces under varying load conditions through the activation of eigen-stresses. The second considers a cable-net subjected to varying loads configurations, in which agents modulate cable tensions to preserve a prescribed geometry. In both settings, contextual inference enables adaptation to changing and partially unknown operating conditions without modifying the underlying generative structure of the agent. The results indicate that stable coordination and adaptive structural behaviour can arise from the interplay between local inferential dynamics and mechanical coupling, without requiring explicitly encoded shared objectives or centralized coordination mechanisms.

Active Inference (AIF) è un framework probabilistico fondato sul Free Energy Principle, nel quale percezione, azione e apprendimento sono concepiti come aspetti di un unico processo inferenziale. Nella sua formulazione come Partially Observable Markov Decision Processes (POMDP), gli agenti sono dotati di modelli generativi che codificano credenze sugli stati latenti, sulle loro dinamiche e sulle conseguenze sensoriali dell’interazione con l’ambiente. In questo contesto, il processo decisionale emerge dalla minimizzazione della free energy attesa, che integra comportamento orientato all’obiettivo e riduzione dell’incertezza in un’unica struttura computazionale. La presente tesi indaga se AIF possa costituire una base per il decision-making distribuito in sistemi ingegneristici composti da più agenti operanti su una medesima struttura fisica. Ciascun agente dispone esclusivamente di osservazioni locali e non ha accesso diretto agli stati o alle azioni altrui. L’obiettivo non è solo verificare la capacità regolativa di agenti inferenziali, ma comprendere se un comportamento coerente a livello di sistema possa emergere dall’inferenza locale mediata dall’accoppiamento meccanico. Sono analizzati due casi studio. Il primo riguarda una trave con vincoli regolabili, in cui gli agenti modulano spostamenti per ridistribuire le reazioni vincolari al variare della posizione del carico, attraverso l’attivazione di stati di tensione propri. Il secondo considera una rete di cavi soggetta a configurazioni di carico variabili, nella quale gli agenti regolano le tensioni per preservare una geometria assegnata. In entrambi i contesti, l’inferenza contestuale consente l’adattamento a condizioni operative variabili e parzialmente ignote, senza modificare la struttura generativa. I risultati mostrano che coordinazione stabile e comportamento strutturale adattivo possono emergere dall’interazione tra dinamiche inferenziali locali e accoppiamento meccanico, senza richiedere obiettivi condivisi espliciti né coordinamento centralizzato.