Über die Grenzen der Handlungsfähigkeit in agentenbasierten Modellen

On the limits of agency in agent-based models

September 14, 2024

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

cs.AI

Zusammenfassung

Agentenbasierte Modellierung (ABM) zielt darauf ab, das Verhalten komplexer Systeme zu verstehen, indem eine Gruppe von Agenten simuliert wird, die in einer Umgebung handeln und miteinander interagieren. Ihre praktische Nützlichkeit erfordert die Erfassung realistischer Umweltdynamiken und adaptives Agentenverhalten, während gleichzeitig effizient Millionen von Agenten umfassende Populationen simuliert werden. Die jüngsten Fortschritte in großen Sprachmodellen (LLMs) bieten die Möglichkeit, ABMs zu verbessern, indem LLMs als Agenten verwendet werden, wobei das Potenzial besteht, adaptives Verhalten zu erfassen. Die rechnerische Unmöglichkeit der Verwendung von LLMs für große Populationen hat jedoch ihre weit verbreitete Übernahme behindert. In diesem Paper stellen wir AgentTorch vor - ein Framework, das ABMs auf Millionen von Agenten skaliert und dabei das Verhalten von Agenten in hoher Auflösung mithilfe von LLMs erfasst. Wir bewerten den Nutzen von LLMs als ABM-Agenten, indem wir den Kompromiss zwischen Simulationsumfang und individueller Handlungsfähigkeit untersuchen. Anhand der COVID-19-Pandemie als Fallstudie zeigen wir, wie AgentTorch 8,4 Millionen Agenten darstellen kann, die New York City repräsentieren, und dabei den Einfluss von Isolation und Beschäftigungsverhalten auf Gesundheits- und Wirtschaftsergebnisse erfasst. Wir vergleichen die Leistung verschiedener Agentenarchitekturen basierend auf heuristischen und LLM-Agenten bei der Vorhersage von Krankheitswellen und Arbeitslosenquoten. Darüber hinaus präsentieren wir die Fähigkeiten von AgentTorch für retrospektive, kontrafaktische und prospektive Analysen und zeigen auf, wie adaptives Agentenverhalten dazu beitragen kann, die Einschränkungen historischer Daten bei der Gestaltung von Politik zu überwinden. AgentTorch ist ein Open-Source-Projekt, das weltweit aktiv für die Politikgestaltung und wissenschaftliche Entdeckungen eingesetzt wird. Das Framework ist hier verfügbar: 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.