Sobre los límites de la agencia en modelos basados en agentes.

On the limits of agency in agent-based models

September 14, 2024

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

cs.AI

Resumen

La modelización basada en agentes (ABM, por sus siglas en inglés) busca comprender el comportamiento de sistemas complejos mediante la simulación de una colección de agentes que actúan e interactúan dentro de un entorno. Su utilidad práctica requiere capturar dinámicas ambientales realistas y el comportamiento adaptativo de los agentes mientras se simulan eficientemente poblaciones de millones de individuos. Los avances recientes en modelos de lenguaje grandes (LLMs) presentan una oportunidad para mejorar los ABMs mediante el uso de LLMs como agentes, con un mayor potencial para capturar comportamientos adaptativos. Sin embargo, la inviabilidad computacional de utilizar LLMs para poblaciones grandes ha obstaculizado su adopción generalizada. En este artículo, presentamos AgentTorch, un marco que escala los ABMs a millones de agentes mientras captura el comportamiento de los agentes con alta resolución utilizando LLMs. Evaluamos la utilidad de los LLMs como agentes de ABM, explorando el equilibrio entre la escala de la simulación y la agencia individual. Utilizando la pandemia de COVID-19 como caso de estudio, demostramos cómo AgentTorch puede simular 8,4 millones de agentes representando la ciudad de Nueva York, capturando el impacto del aislamiento y el comportamiento laboral en la salud y los resultados económicos. Comparamos el rendimiento de diferentes arquitecturas de agentes basadas en heurísticas y LLMs en la predicción de olas de enfermedades y tasas de desempleo. Además, mostramos las capacidades de AgentTorch para análisis retrospectivos, contrafactuales y prospectivos, resaltando cómo el comportamiento adaptativo de los agentes puede ayudar a superar las limitaciones de los datos históricos en el diseño de políticas. AgentTorch es un proyecto de código abierto que se utiliza activamente para la toma de decisiones políticas y el descubrimiento científico en todo el mundo. El marco está disponible aquí: 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.