PhysicsAgentABM: Fysica-gestuurde generatieve agent-gebaseerde modellering

PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling

February 5, 2026

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

cs.AI

Samenvatting

Op grote taalmodellen (LLM) gebaseerde multi-agent systemen maken expressieve agent-redenering mogelijk, maar zijn kostbaar om op te schalen en slecht gekalibreerd voor tijdstap-uitgelijnde toestandsovergangssimulatie. Klassieke agent-gebaseerde modellen (ABM's) bieden daarentegen interpreteerbaarheid, maar hebben moeite met het integreren van rijke individuele signalen en niet-stationaire gedragingen. Wij introduceren PhysicsAgentABM, dat de inferentie verschuift naar gedragscoherente agentclusters: toestand-gespecialiseerde symbolische agenten coderen mechanistische overgangspriors, een multimodaal neuraal overgangsmodel vangt temporele en interactiedynamiek, en onzekerheidsbewuste epistemische fusie levert gekalibreerde clusterbrede overgangsverdelingen op. Individuele agenten realiseren vervolgens stochastisch overgangen onder lokale beperkingen, waardoor populatie-inferentie wordt ontkoppeld van entiteitsniveau-variabiliteit. Verder introduceren we ANCHOR, een LLM-agent-gedreven clusteringstrategie gebaseerd op cross-contextuele gedragsreacties en een nieuw contrastief verlies, die het aantal LLM-aanroepen tot 6-8 keer reduceert. Experimenten in volksgezondheid, financiën en sociale wetenschappen tonen consistente verbeteringen in gebeurtenis-tijdnauwkeurigheid en kalibratie ten opzichte van mechanistische, neurale en LLM-baselines. Door generatieve ABM opnieuw te ontwerpen rond populatieniveau-inferentie met onzekerheidsbewuste neuro-symbolische fusie, vestigt PhysicsAgentABM een nieuw paradigma voor schaalbare en gekalibreerde simulatie met LLM's.

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.