Selective Reincarnationは、マルチエージェント強化学習に特化したダイナミックな集団ベースのトレーニングメカニズムを導入します。各エージェントのパフォーマンスは、事前に定められた閾値と定期的に評価されます。エージェントのパフォーマンスが閾値を下回る場合、その重みは現在の最高パフォーマーの重みにリセットされ、実績のある行動を再現します。この方法は、パフォーマンスが低いエージェントのみをリセットすることで多様性を維持し、破壊的なリセットを最小限に抑えつつ、高報酬ポリシーへの探索を導きます。ニューラルネットワークパラメータのターゲットヘリテージ（選択的継承）を可能にすることで、バリアンスを低減し、協力型や競争型の環境での収束を促進します。PyTorchベースのアルゴリズムとシームレスに連携し、評価頻度、選択基準、リセット戦略の調整可能なハイパーパラメータを含みます。

Scratchから始めるマルチエージェントシステムは、Pythonモジュールの包括的なセットを提供し、ゼロからマルチエージェント環境を構築、カスタマイズ、評価します。ユーザーは、世界モデルを定義し、ユニークな感覚入力とアクション能力を持つエージェントクラスを作成し、協力または競争のための柔軟な通信プロトコルを確立できます。このフレームワークは、動的なタスク割り当て、戦略的計画モジュール、リアルタイムのパフォーマンス追跡をサポートします。そのモジュール式アーキテクチャにより、カスタムアルゴリズムや報酬関数、学習メカニズムの容易な統合が可能です。内蔵の視覚化ツールやロギングユーティリティにより、開発者はエージェント間の相互作用を監視し、行動パターンを診断できます。拡張性と明確さを考慮して設計されたこのシステムは、分散AIの研究者とエージェントベースのモデリングを教育する教師の両方に対応します。