에이전트 기반 모델에서의 에이전시 한계에 대한 연구

On the limits of agency in agent-based models

September 14, 2024

저자: Ayush Chopra, Shashank Kumar, Nurullah Giray-Kuru, Ramesh Raskar, Arnau Quera-Bofarull

cs.AI

초록

에이전트 기반 모델링(ABM)은 환경 내에서 행동하고 상호작용하는 에이전트 집합을 시뮬레이션하여 복잡한 시스템의 행동을 이해하려는 것을 목표로 합니다. 그들의 실용적 유틸리티는 현실적인 환경 역학과 적응적 에이전트 행동을 포착하면서 백만 규모의 인구를 효율적으로 시뮬레이션하는 것을 필요로 합니다. 대형 언어 모델(LLMs)의 최근 발전은 LLMs를 에이전트로 사용하여 적응적 행동을 포착하는 가능성을 제공합니다. 그러나 대규모 인구에 대한 LLMs의 계산적 불가능성으로 인해 그들의 널리 퍼지는 채택이 방해되었습니다. 본 논문에서는 AgentTorch를 소개합니다. 이는 LLMs를 사용하여 고해상도 에이전트 행동을 포착하면서 수백만 에이전트로 ABMs를 확장하는 프레임워크입니다. 우리는 LLMs를 ABM 에이전트로 사용하는 유틸리티를 벤치마킹하며 시뮬레이션 규모와 개별 에이전시 사이의 교환을 탐구합니다. COVID-19 팬데믹을 사례 연구로 활용하여, 우리는 에이전트토치가 뉴욕시를 대표하는 840만 에이전트를 시뮬레이션하여 고립 및 고용 행동이 건강 및 경제 결과에 미치는 영향을 포착함을 시연합니다. 우리는 질병 파동과 실업률을 예측하는 데 휴리스틱 및 LLM 에이전트를 기반으로 한 다양한 에이전트 아키텍처의 성능을 비교합니다. 더 나아가, 우리는 에이전트토치의 회상적, 가설적 및 전망적 분석 능력을 소개하며 적응적 에이전트 행동이 정책 설계에서 역사적 데이터의 한계를 극복하는 데 어떻게 도움이 되는지 강조합니다. 에이전트토치는 전 세계적으로 정책 결정 및 과학적 발견에 활발히 사용되는 오픈 소스 프로젝트입니다. 해당 프레임워크는 여기에서 이용 가능합니다: github.com/AgentTorch/AgentTorch.

English

Agent-based modeling (ABM) seeks to understand the behavior of complex systems by simulating a collection of agents that act and interact within an environment. Their practical utility requires capturing realistic environment dynamics and adaptive agent behavior while efficiently simulating million-size populations. Recent advancements in large language models (LLMs) present an opportunity to enhance ABMs by using LLMs as agents with further potential to capture adaptive behavior. However, the computational infeasibility of using LLMs for large populations has hindered their widespread adoption. In this paper, we introduce AgentTorch -- a framework that scales ABMs to millions of agents while capturing high-resolution agent behavior using LLMs. We benchmark the utility of LLMs as ABM agents, exploring the trade-off between simulation scale and individual agency. Using the COVID-19 pandemic as a case study, we demonstrate how AgentTorch can simulate 8.4 million agents representing New York City, capturing the impact of isolation and employment behavior on health and economic outcomes. We compare the performance of different agent architectures based on heuristic and LLM agents in predicting disease waves and unemployment rates. Furthermore, we showcase AgentTorch's capabilities for retrospective, counterfactual, and prospective analyses, highlighting how adaptive agent behavior can help overcome the limitations of historical data in policy design. AgentTorch is an open-source project actively being used for policy-making and scientific discovery around the world. The framework is available here: github.com/AgentTorch/AgentTorch.