PhysicsAgentABM: Физически обоснованное генеративное агентное моделирование

PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling

February 5, 2026

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

cs.AI

Аннотация

Мультиагентные системы на основе больших языковых моделей (LLM) обеспечивают выразительные рассуждения агентов, но требуют высоких затрат для масштабирования и плохо калиброваны для пошагового моделирования переходов состояний, в то время как классические агентные модели (ABM) предлагают интерпретируемость, но с трудом интегрируют сложные индивидуальные сигналы и нестационарные поведения. Мы предлагаем PhysicsAgentABM, который переносит вывод на поведенчески когерентные кластеры агентов: специализированные символьные агенты кодируют механистические априорные распределения переходов, мультимодальная нейросетевая модель переходов захватывает временную и интерактивную динамику, а неопределенность-аware эпистемическое слияние дает калиброванные распределения переходов на уровне кластеров. Отдельные агенты затем стохастически реализуют переходы в рамках локальных ограничений, разделяя популяционный вывод и вариабельность на уровне сущностей. Мы также представляем ANCHOR — стратегию кластеризации на основе LLM-агентов, основанную на кросс-контекстных поведенческих реакциях и новой контрастивной функции потерь, что сокращает количество вызовов LLM до 6–8 раз. Эксперименты в областях общественного здоровья, финансов и социальных наук демонстрируют устойчивое улучшение точности предсказания времени событий и калибровки по сравнению с механистическими, нейросетевыми и LLM-базисами. Перестраивая генеративные ABM вокруг популяционного вывода с неопределенность-аware нейро-символьным слиянием, PhysicsAgentABM устанавливает новую парадигму масштабируемого и калиброванного моделирования с использованием LLM.

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.