Sobre os limites da agência em modelos baseados em agentes.

On the limits of agency in agent-based models

September 14, 2024

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

cs.AI

Resumo

A modelagem baseada em agentes (ABM) busca compreender o comportamento de sistemas complexos simulando uma coleção de agentes que atuam e interagem dentro de um ambiente. Sua utilidade prática requer capturar dinâmicas realistas do ambiente e comportamento adaptativo dos agentes, enquanto simula eficientemente populações de milhões de agentes. Avanços recentes em grandes modelos de linguagem (LLMs) apresentam uma oportunidade para aprimorar ABMs usando LLMs como agentes, com potencial adicional para capturar comportamento adaptativo. No entanto, a inviabilidade computacional de usar LLMs para grandes populações tem dificultado sua adoção generalizada. Neste artigo, apresentamos o AgentTorch - um framework que dimensiona ABMs para milhões de agentes, capturando comportamentos de agentes em alta resolução usando LLMs. Avaliamos a utilidade de LLMs como agentes ABM, explorando o equilíbrio entre escala de simulação e agência individual. Usando a pandemia de COVID-19 como estudo de caso, demonstramos como o AgentTorch pode simular 8,4 milhões de agentes representando a cidade de Nova York, capturando o impacto do isolamento e do comportamento de emprego na saúde e nos resultados econômicos. Comparamos o desempenho de diferentes arquiteturas de agentes com base em agentes heurísticos e LLM na previsão de ondas de doenças e taxas de desemprego. Além disso, demonstramos as capacidades do AgentTorch para análises retrospectivas, contrafactuais e prospectivas, destacando como o comportamento adaptativo dos agentes pode ajudar a superar as limitações dos dados históricos no design de políticas. O AgentTorch é um projeto de código aberto que está sendo ativamente utilizado para tomada de decisões políticas e descobertas científicas ao redor do mundo. O framework está disponível em: 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.