О пределах агентства в моделях на основе агентов

On the limits of agency in agent-based models

September 14, 2024

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

cs.AI

Аннотация

Моделирование на основе агентов (ABM) стремится понять поведение сложных систем путем имитации группы агентов, которые действуют и взаимодействуют в среде. Их практическая ценность требует учета реалистичной динамики окружающей среды и адаптивного поведения агентов при эффективном моделировании популяций миллионного размера. Недавние достижения в области больших языковых моделей (LLM) предоставляют возможность улучшить ABM, используя LLM в качестве агентов с дополнительным потенциалом захвата адаптивного поведения. Однако вычислительная невозможность использования LLM для больших популяций затруднила их широкое принятие. В данной статье мы представляем AgentTorch - фреймворк, который масштабирует ABM до миллионов агентов, захватывая поведение агентов высокого разрешения с использованием LLM. Мы оцениваем полезность LLM в качестве агентов ABM, исследуя компромисс между масштабом моделирования и индивидуальным агентством. Используя пандемию COVID-19 в качестве кейс-стади, мы демонстрируем, как AgentTorch может моделировать 8,4 миллиона агентов, представляющих Нью-Йорк, захватывая влияние изоляции и занятости на здоровье и экономические результаты. Мы сравниваем производительность различных архитектур агентов на основе эвристических и LLM агентов в прогнозировании волн заболеваемости и уровней безработицы. Кроме того, мы демонстрируем возможности AgentTorch для ретроспективного, контрфактического и перспективного анализа, подчеркивая, как адаптивное поведение агентов может помочь преодолеть ограничения исторических данных в разработке политики. AgentTorch - это проект с открытым исходным кодом, активно используемый для разработки политики и научных открытий по всему миру. Фреймворк доступен здесь: 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.