Sui limiti dell'agenzia nei modelli basati su agenti

On the limits of agency in agent-based models

September 14, 2024

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

cs.AI

Abstract

La modellazione basata sugli agenti (ABM) mira a comprendere il comportamento dei sistemi complessi simulando una collezione di agenti che agiscono e interagiscono all'interno di un ambiente. La loro utilità pratica richiede la cattura di dinamiche ambientali realistiche e di comportamenti adattivi degli agenti, mentre si simulano efficientemente popolazioni di dimensioni milionarie. Gli sviluppi recenti nei grandi modelli linguistici (LLM) presentano un'opportunità per potenziare gli ABM utilizzando i LLM come agenti con ulteriore potenziale per catturare comportamenti adattivi. Tuttavia, l'infattibilità computazionale nell'uso dei LLM per popolazioni numerose ha ostacolato la loro adozione diffusa. In questo articolo, presentiamo AgentTorch - un framework che scala gli ABM a milioni di agenti catturando comportamenti ad alta risoluzione degli agenti utilizzando i LLM. Valutiamo l'utilità dei LLM come agenti ABM, esplorando il compromesso tra scala di simulazione e agenzia individuale. Utilizzando la pandemia di COVID-19 come caso di studio, dimostriamo come AgentTorch possa simulare 8,4 milioni di agenti rappresentanti la città di New York, catturando l'impatto dell'isolamento e del comportamento lavorativo sulla salute e sui risultati economici. Confrontiamo le prestazioni di diverse architetture di agenti basate su euristiche e LLM nella previsione delle ondate di malattia e dei tassi di disoccupazione. Inoltre, mostriamo le capacità di AgentTorch per analisi retrospettive, controfattuali e prospettiche, evidenziando come il comportamento adattivo degli agenti possa contribuire a superare i limiti dei dati storici nella progettazione delle politiche. AgentTorch è un progetto open-source attivamente utilizzato per la formulazione delle politiche e la scoperta scientifica in tutto il mondo. Il framework è disponibile qui: 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.