Sur les limites de l'agence dans les modèles basés sur les agents.

On the limits of agency in agent-based models

September 14, 2024

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

cs.AI

Résumé

La modélisation basée sur les agents (ABM) vise à comprendre le comportement des systèmes complexes en simulant une collection d'agents qui agissent et interagissent au sein d'un environnement. Leur utilité pratique nécessite de capturer des dynamiques environnementales réalistes et un comportement adaptatif des agents tout en simulant efficacement des populations de taille millionnaire. Les récents progrès dans les grands modèles de langage (LLMs) offrent une opportunité d'améliorer les ABMs en utilisant les LLMs comme agents, avec un potentiel supplémentaire pour capturer un comportement adaptatif. Cependant, l'impossibilité computationnelle d'utiliser les LLMs pour de grandes populations a entravé leur adoption généralisée. Dans cet article, nous présentons AgentTorch - un cadre qui met à l'échelle les ABMs à des millions d'agents tout en capturant un comportement d'agent haute résolution en utilisant des LLMs. Nous évaluons l'utilité des LLMs en tant qu'agents ABM, explorant le compromis entre l'échelle de la simulation et l'agence individuelle. En utilisant la pandémie de COVID-19 comme étude de cas, nous démontrons comment AgentTorch peut simuler 8,4 millions d'agents représentant la ville de New York, capturant l'impact de l'isolement et du comportement professionnel sur la santé et les résultats économiques. Nous comparons les performances de différentes architectures d'agents basées sur des agents heuristiques et des LLMs dans la prédiction des vagues de maladies et des taux de chômage. De plus, nous mettons en avant les capacités d'AgentTorch pour des analyses rétrospectives, contrefactuelles et prospectives, soulignant comment un comportement adaptatif des agents peut aider à surmonter les limitations des données historiques dans la conception des politiques. AgentTorch est un projet open-source actuellement utilisé pour l'élaboration de politiques et la découverte scientifique à travers le monde. Le cadre est disponible ici : 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.