PhysicsAgentABM: Modellazione Generativa Basata su Agenti Guidata dalla Fisica

PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling

February 5, 2026

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

cs.AI

Abstract

I sistemi multi-agente basati su grandi modelli linguistici (LLM) consentono ragionamenti agentivi espressivi, ma risultano costosi da scalare e scarsamente calibrati per simulazioni di transizioni di stato allineate temporalmente, mentre i modelli basati su agenti (ABM) classici offrono interpretabilità ma faticano a integrare segnali ricchi a livello individuale e comportamenti non stazionari. Proponiamo PhysicsAgentABM, che sposta l'inferenza su cluster di agenti comportamentalmente coerenti: agenti simbolici specializzati per stato codificano prior transizionali meccanicistiche, un modello transizionale neurale multimodale cattura le dinamiche temporali e d'interazione, e una fusione epistemica consapevole dell'incertezza produce distribuzioni transizionali calibrate a livello di cluster. Agenti individuali realizzano poi transizioni stocastiche sotto vincoli locali, disaccoppiando l'inferenza a livello di popolazione dalla variabilità a livello di entità. Introduciamo inoltre ANCHOR, una strategia di clustering guidata da agenti LLM basata su risposte comportamentali cross-contestuali e una nuova funzione di perdita contrastiva, riducendo le chiamate agli LLM fino a 6-8 volte. Esperimenti in sanità pubblica, finanza e scienze sociali mostrano miglioramenti consistenti in accuratezza temporale degli eventi e calibrazione rispetto a baseline meccanicistiche, neurali e basate su LLM. Ristrutturando gli ABM generativi attorno all'inferenza a livello di popolazione con una fusione neuro-simbolica consapevole dell'incertezza, PhysicsAgentABM stabilisce un nuovo paradigma per simulazioni scalabili e calibrate con gli LLM.

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.