Over de grenzen van agency in op agenten gebaseerde modellen

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

Samenvatting

Agent-gebaseerde modellering (ABM) streeft ernaar het gedrag van complexe systemen te begrijpen door een verzameling agenten te simuleren die handelen en interageren binnen een omgeving. Hun praktische bruikbaarheid vereist het vastleggen van realistische omgevingsdynamiek en adaptief agentengedrag terwijl efficiënt miljoenen agenten worden gesimuleerd. Recente ontwikkelingen in grote taalmodellen (LLM's) bieden een kans om ABM's te verbeteren door LLM's te gebruiken als agenten met verdere potentie om adaptief gedrag vast te leggen. Echter, de computationele onhaalbaarheid van het gebruik van LLM's voor grote populaties heeft hun wijdverbreide adoptie belemmerd. In dit artikel introduceren we AgentTorch - een raamwerk dat ABM's opschalen naar miljoenen agenten terwijl het gedrag van agenten met hoge resolutie wordt vastgelegd met behulp van LLM's. We beoordelen het nut van LLM's als ABM-agenten, waarbij we de afweging tussen simulatieschaal en individuele agenten bekijken. Met behulp van de COVID-19 pandemie als casestudie, tonen we aan hoe AgentTorch 8,4 miljoen agenten kan simuleren die New York City vertegenwoordigen, waarbij de impact van isolatie en werkgedrag op gezondheids- en economische resultaten wordt vastgelegd. We vergelijken de prestaties van verschillende agentarchitecturen op basis van heuristische en LLM-agenten bij het voorspellen van ziektegolven en werkloosheidscijfers. Bovendien laten we de mogelijkheden van AgentTorch zien voor retrospectieve, tegenfeitelijke en toekomstgerichte analyses, waarbij wordt benadrukt hoe adaptief agentengedrag kan helpen bij het overwinnen van de beperkingen van historische gegevens bij het ontwerpen van beleid. AgentTorch is een open-source project dat actief wordt gebruikt voor beleidsvorming en wetenschappelijke ontdekkingen over de hele wereld. Het raamwerk is hier beschikbaar: 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.