PhysicsAgentABM: 물리 법칙 기반 생성형 에이전트 기반 모델링
PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling
February 5, 2026
저자: Kavana Venkatesh, Yinhan He, Jundong Li, Jiaming Cui
cs.AI
초록
대규모 언어 모델(LLM) 기반 다중 에이전트 시스템은 표현력이 풍부한 에이전트 추론을 가능하게 하지만 확장 비용이 높고 시간 단계 정렬 상태 전환 시뮬레이션에 대한 보정이 불충분합니다. 반면, 기존의 에이전트 기반 모델(ABM)은 해석 가능성을 제공하지만 개체 수준의 풍부한 신호와 비정상적 행동을 통합하는 데 어려움을 겪습니다. 본 연구에서는 추론을 행동적으로 일관된 에이전트 클러스터로 전환하는 PhysicsAgentABM을 제안합니다. 상태 특화 기호적 에이전트는 기계론적 전환 사전 확률을 인코딩하고, 다중 모드 신경 전환 모델은 시간적 및 상호작용 역학을 포착하며, 불확실성 인지 인식론적 융합은 보정된 클러스터 수준 전환 분포를 생성합니다. 이후 개별 에이전트는 지역 제약 하에서 확률적으로 전환을 실현하여 개체 수준 변동성으로부터 집단 추론을 분리합니다. 또한 LLM 에이전트 주도의 클러스터링 전략인 ANCHOR를 도입합니다. 이는 교차-맥락적 행동 반응과 새로운 대조 손실에 기반하여 LLM 호출을 최대 6-8배까지 줄입니다. 공중보건, 금융, 사회과학 분야의 실험 결과, 기계론적, 신경망, LLM 기반 모델 대비 일관적으로 향상된 사건 시간 정확도와 보정 성능을 확인했습니다. 불확실성 인지 신경-기호적 융합을 통한 집단 수준 추론을 중심으로 생성형 ABM을 재구성함으로써, PhysicsAgentABM은 LLM을 활용한 확장 가능하고 보정된 시뮬레이션의 새로운 패러다임을 정립합니다.
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.