FísicaAgenteABM: Modelado Basado en Agentes Generativo Guiado por Física

PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling

February 5, 2026

Autores: Kavana Venkatesh, Yinhan He, Jundong Li, Jiaming Cui

cs.AI

Resumen

Los sistemas multiagente basados en modelos de lenguaje grandes (LLM) permiten un razonamiento agente expresivo, pero son costosos de escalar y están pobremente calibrados para la simulación de transiciones de estado alineadas en el tiempo, mientras que los modelos basados en agentes (ABM) clásicos ofrecen interpretabilidad pero luchan por integrar señales ricas a nivel individual y comportamientos no estacionarios. Proponemos PhysicsAgentABM, que desplaza la inferencia a clusters de agentes conductualmente coherentes: agentes simbólicos especializados en estados codifican priors de transición mecanicistas, un modelo de transición neuronal multimodal captura las dinámicas temporales y de interacción, y una fusión epistémica consciente de la incertidumbre produce distribuciones de transición a nivel de cluster calibradas. Los agentes individuales realizan entonces transiciones estocásticamente bajo restricciones locales, desacoplando la inferencia poblacional de la variabilidad a nivel de entidad. Además, introducimos ANCHOR, una estrategia de clustering impulsada por agentes LLM basada en respuestas conductuales cross-contextuales y una nueva función de pérdida contrastiva, reduciendo las llamadas al LLM hasta 6-8 veces. Experimentos en salud pública, finanzas y ciencias sociales muestran ganancias consistentes en precisión de tiempo de evento y calibración sobre líneas base mecanicistas, neuronales y de LLM. Al rediseñar el ABM generativo en torno a la inferencia a nivel poblacional con una fusión neuro-simbólica consciente de la incertidumbre, PhysicsAgentABM establece un nuevo paradigma para la simulación escalable y calibrada con LLMs.

English

Large language model (LLM)-based multi-agent systems enable expressive agent reasoning but are expensive to scale and poorly calibrated for timestep-aligned state-transition simulation, while classical agent-based models (ABMs) offer interpretability but struggle to integrate rich individual-level signals and non-stationary behaviors. We propose PhysicsAgentABM, which shifts inference to behaviorally coherent agent clusters: state-specialized symbolic agents encode mechanistic transition priors, a multimodal neural transition model captures temporal and interaction dynamics, and uncertainty-aware epistemic fusion yields calibrated cluster-level transition distributions. Individual agents then stochastically realize transitions under local constraints, decoupling population inference from entity-level variability. We further introduce ANCHOR, an LLM agent-driven clustering strategy based on cross-contextual behavioral responses and a novel contrastive loss, reducing LLM calls by up to 6-8 times. Experiments across public health, finance, and social sciences show consistent gains in event-time accuracy and calibration over mechanistic, neural, and LLM baselines. By re-architecting generative ABM around population-level inference with uncertainty-aware neuro-symbolic fusion, PhysicsAgentABM establishes a new paradigm for scalable and calibrated simulation with LLMs.